2026. október 16., péntek · Modellek

Black Forest Labs bemutatta a FLUX.3 Image Klein nyílt súlyú képmodellt

A Black Forest Labs bejelentette a FLUX.3 Image Klein nevű nyílt súlyú képmodellt, amely 5,6 milliárd paraméterrel szöveg-kép generálást, képszerkesztést és akár tíz referenciakép alapú generálást is támogat. A cég szerint a modell natív 4K felbontást, pixelpontos szerkesztést és bounding box alapú elemelhelyezést kínál, és belső teszteken a legmagasabb Elo-pontszámot érte el a nyílt modellek közül, megelőzve a zárt Ideogram V4.5-öt és a saját FLUX.2 [pro] modelljét is. A Hugging Face blogja szerint a modell a Diffusers könyvtárba is beépült, a desztillált változat H100 GPU-n másodpercek alatt generál 1024×1024-es képet. Egy INT8-as verzió mindössze 8 GB videomemóriával futtatható, és a cég közlése szerint egy RTX 4070-es kártyán 9 másodperc alatt elkészül egy kép. A súlyok a FLUX Kommunity License alatt érhetők el, amely évi 5 millió dollár alatti bevételű cégeknek ingyenes kereskedelmi felhasználást biztosít.

Miért fontos?

A modell LoRA finomhangolása már az első naptól elérhető az Ostris AI Toolkit és az NVIDIA NeMo AutoModel eszközökkel, ami gyors egyedi stílusfejlesztést tehet lehetővé fejlesztőknek.

Források

Hugging Face Blog Kutatás The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Black Forest Labs#FLUX.3 Image Klein

Napi összefoglaló

Ez a hír a 2026. október 16., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Black Forest Labs kiadta a FLUX 3 Action nyílt robotikai AI-modellt

A Black Forest Labs bemutatta a FLUX 3 Action nevű nyílt AI-modellt, amely a korábbi, videó-, kép- és hangadatokon tanított multimodális FLUX 3 modellre épül. A rendszer robotmunkaterek több kameraforrásból érkező videóit dolgozza fel, és ezekből jósolja meg, milyen következő lépést tegyen a robot, valamint hogyan változik meg ettől a környezet. A vállalat állítása szerint a modell mindössze hét milliárd paraméterrel új csúcsot ért el a RoboLab-120 ranglistán, miközben a korábbi legjobb nyílt modellnél kevesebb mint feleakkora méretű, és akár 3,95-szer gyorsabban fut. A Black Forest Labs szerint a nagy méretű, gondolkodó modellek jól terveznek, de robotikai alkalmazásra túl lassúak és túl nagyok, ezért fontos a hatékonyság az eszközön futtatott (on-device) telepítéshez. A modellsúlyok elérhetők a Hugging Face platformon.

Meta kiadta a Muse Spark Open nyílt súlyú kódoló AI-modellt

A Meta bejelentette a Muse Spark Open nevű nyílt súlyú modellt, amelyet saját közlése szerint a legképesebb jelenlegi amerikai nyílt súlyú modellnek szán. A mixture-of-experts architektúrájú rendszer 816 milliárd összparaméterből tokenenként 42 milliárdat aktivál, kontextusablaka elérheti az 1 millió tokent, és szöveg mellett képet, hangot és videót is kezel. A modellt kifejezetten ügynöki kódolási feladatokra, többfájlos refaktorálásra és hosszú hibakeresési munkamenetekre tréningezték, az NVIDIA GB300 NVL72 Blackwell Ultra hardveren. A súlyok elérhetők Hugging Face-en és több API-szolgáltatón (Baseten, Fireworks, Groq, Together AI), az Amazon pedig a SageMaker JumpStart hubba is beillesztette BF16 és NVFP4 kvantált változatban. A Meta szerint a modell Apple M5 Ultra Mac Studio gépeken, helyben is futtatható.

Nvidia kiadta a Nemotron 3.5 Super VL nyílt agensmodellt

Az Nvidia kiadta a Nemotron 3.5 Super VL nyílt, multimodális modellt: 120 milliárd paraméteres mixture-of-experts architektúrája tokenenként csak 12 milliárd paramétert aktivál – írja a The Decoder és az Nvidia technikai blogja. A modellt vállalati agensfeladatokra, dokumentum-, kép- és videóelemzésre szánták, fejlesztésében a Mistral AI, a Thinking Machines Lab, a Perplexity és a Black Forest Labs is részt vett a Nemotron Coalition keretében. Az Nvidia állítása szerint a Super VL a nagyobb Nemotron 3 Ultra pontosságát hozza ötödannyi paraméterrel, és egyetlen GPU-n akár ötszörös áteresztőképességet ér el hasonló méretű nyílt modellekhez képest. Mellette két kisebb, helyi gépekre szánt Bolt-változat is megjelent: a 24 GB memóriájú rendszerekhez való 74B-A9B és a később érkező, 4 GB-os E4B hangasszisztensekhez. A vállalat szerint a Scale AI, a Ramp és az AI21 már utótanította a modellt, akár 40-szer alacsonyabb következtetési költséget elérve vele.

Google egyetlen AI-modellel irányítaná a robotokat: a Gemini 4 Argon

A Google bemutatta a Gemini 4 Argon nevű modellt, amely a cég állítása szerint egyetlen rendszerben fogja össze a robotikai folyamat egészét: irányítja a robotokat, fényképekből vagy vázlatokból virtuális gyakorlóterepeket épít, és kiértékeli a betanító adatokat. A Google demonstrációja szerint egy Boston Dynamics Spot robotnak szódásdobozokat kellett egy pedálos kukába dobnia: a modell előbb szimulációban gyakoroltatta a hárompontos egyensúlyozást, majd két külön AI-ügynök ellenőrizte a láb és a fogó pozícióját, mielőtt a valódi gépen megtörtént a próba. Egy másik bemutatóban egyetlen fotóból 77 feladatot és több mint 4500 betanító epizódot generált egy asztali jelenetből, ami a vállalat szerint 56-ról 75 százalékra növelte a sikerességi arányt, a végrehajtási időt pedig 35-ről 24 másodpercre csökkentette. A modell egyelőre csak a Google fizetős fejlesztői programjain keresztül érhető el, és a bemutatott példák még részletes emberi útmutatást igényelnek.