2026. augusztus 21., péntek · Modellek

A Meta bemutatta a Muse Spark 1.2 multimodális képességeit

A Meta AI Research a nyílt súlyú kiadás előtt új értékelési eredményeket és demókat tett közzé a kódolásra fókuszáló Muse Spark 1.2 modellről, amelynek vizuális megértési és következtetési képességeit korábban már előzetesen bemutatták. A vállalat állítása szerint a modell képekből vagy videókból működő weboldalakat és játékokat tud generálni, ahol a helyesség mércéje az, hogy az eredmény megjelenik és a szándékolt módon viselkedik. Ezt egyelőre csak a Meta saját demonstrációi és értékelései támasztják alá, független megerősítés nincs. A cég szerint egy speciális modellváltozat robotvezérlőként működhet egy kétszintű rendszerben, ahol a magas szintű tervező részfeladatokra bontja a célt, ezeket pedig egy alacsony szintű Vision-Language-Action szabályzat hajtja végre.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A bejelentés megmutatja, milyen irányba fejleszti a Meta a multimodális modelleket kódgenerálás és robotvezérlés terén, bár az állításokat egyelőre csak a vállalat saját tesztjei támasztják alá.

Források

Meta AI Research Kutatás

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Meta AI#Muse Spark

Napi összefoglaló

Ez a hír a 2026. augusztus 21., péntek napi AI összefoglaló része.

Kapcsolódó hírek

A Meta bemutatta a Muse Spark 1.1 kódolási modellt és a hozzá tartozó fejlesztői API-t

A Meta elérhetővé tette a Muse Spark 1.1 nevű mesterségesintelligencia-modelljét, amelyet a vállalat állítása szerint jelentős előrelépésnek szán az első generációhoz képest: fejlettebb kódolási képességeket, összetett hibák felismerését és javítását, valamint ágens-alapú munkafolyamatok támogatását ígéri. A modell natív multimodális érzékelést kínál képek, videók és dokumentumok kezelésére. Ezzel párhuzamosan a Meta nyilvános előzetes verzióban elindította a Meta Model API-t amerikai fejlesztők számára, amelyhez minden új fiók 20 dollár értékű ingyenes kreditet kap. A lépés a The Verge értékelése szerint a Meta milliárdos AI-befektetéseinek megtérülését célozza, miközben a cég az OpenAI-jal, a Google-lal és az Anthropickal igyekszik felvenni a versenyt.

A Mistral bemutatta a Le Chonk nyílt modellt, de a tesztek szerint még lemarad Kína mögött

A párizsi Mistral nyilvánosan elérhetővé tette a Large 4, becenevén „Le Chonk” súlyozott modelljét a Hugging Face-en, módosított MIT licenc alatt. A billió paraméteres modellből 52 milliárd aktív egyszerre; a cég szerint kódolásban és kiberbiztonsági feladatokban megközelíti vagy felülmúlja a vezető kínai nyílt modelleket, például a DeepSeeket és a Z.ait, amit Pierre Stock, a Mistral tudományos alelnöke „a globális AI-vezető szerep fordulópontjának” nevezett. A The Decoder független elemzése szerint azonban a modell az Artificial Analysis Intelligence Indexén mindössze 26 pontot ér el, lemaradva a DeepSeek V4.1 Flash és a GLM-5.3 mögött, a kiberbiztonsági rangsorban pedig csak harmadik a nyílt modellek között. A Mistral modellje gyorsabb és olcsóbb riválisainál, és a károkozásra irányuló kéréseket 96,6 százalékban utasítja el.

A Google bemutatta a Gemini 4 Carbon modellt

A Google DeepMind mindössze két héttel a Gemini 4 Argon után bemutatta új frontier modelljét, a Gemini 4 Carbont, amely a vállalat szerint jelentős előrelépést hoz a kódolásban, az ügynöki feladatokban és a kiberbiztonságban. A Google közlése szerint a modell vezeti az Artificial Analysis Intelligence Index v5.0 rangsorát 59 ponttal, megelőzve a Claude Opus 5.5-öt és a GPT-6 Astrát. A cég szerint Carbon a SEC-bench Pro és az ExploitGym kiberbiztonsági benchmarkokon is élen jár, és a Gray Swan prompt-injekciós teszten minden támadást kivédett. A modell egyelőre csak kiválasztott kiberbiztonsági védelmi partnerek számára érhető el a Fairwind programon keresztül, a szélesebb elérhetőségről a Google nem adott időpontot. Az árazás megegyezik az Argonéval: 2 dollár millió bemeneti és 10 dollár millió kimeneti tokenenként.

A Google DeepMind bemutatta a Genie 4 világmodellt

A Google DeepMind kutatási előnézetben bemutatta a Genie 4 nevű világmodellt, amely a cég szerint fotórealisztikusabb, hangot is generáló és valós időben szerkeszthető virtuális környezeteket hoz létre. A modell a Gemini-családra épül: a Gemini Omni biztosítja a vizuális alapot, míg más Gemini-modellek – a TechCrunch szerint egy Gemini 4 Argon változat egy robotikai kísérletben – segítik a szimuláció koherenciájának fenntartását. Az Ars Technica szerint a rendszer a Gemini 3.8 Flash modellt használja irányító ügynökként, és a világ körülbelül két percig marad konzisztens, mielőtt elfelejtené a kezdeti állapotot. A Genie 4 egyelőre megbízható tesztelőknél fut, a tervek szerint a következő hetekben kapnak hozzáférést a Google AI Ultra előfizetői a Project Genie-ben és a Gemini API korai partnerei, az AI Ultra csomagok havi 100 dollártól indulnak.