2026. szeptember 21., hétfő · Modellek

Alibaba Qwen-Image-2.1: 7 milliárd paraméteres nyílt képmodell

Az Alibaba Qwen csapata kiadta a Qwen-Image-2.1 nyílt súlyú képgeneráló és -szerkesztő modellt. A cég állítása szerint a mindössze 7 milliárd paraméteres vizuális generáló komponens saját belső benchmarkján felülmúlja a legtöbb zárt modellt, független mérések eredményei még nem állnak rendelkezésre. A modell natívan kezel átlátszó (RGBA) képeket, egyszerre akár tíz referenciaképet is fel tud dolgozni csoportos portrékhoz, virtuális ruhapróbákhoz vagy lakberendezési tervekhez, és körökkel, maszkokkal vagy rajzolt jelölésekkel irányítható lokális szerkesztésre. A Qwen csapata szerint architektúrabeli változtatások és a KV-cache újrahasznosítása gyorsítja a következtetést, különösen több referenciakép esetén. A modell fut hagyományos fogyasztói GPU-kon is, például egy RTX 3090-en, és elérhető Hugging Face-en, GitHubon és a ModelScope-on, kutatási licenc alatt, amely kizárja a kereskedelmi felhasználást.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A saját, nem független benchmarkra alapozott állítás, hogy 7 milliárd paraméterrel is verhetők a zárt modellek, árazási nyomást jelenthet a képgenerálási piacon, mivel a modell RTX 3090-en is futtatható, kereskedelmi célra viszont csak külön licenccel használható.

Források

The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Qwen-Image-2.1#nyílt súlyú modellek

Napi összefoglaló

Ez a hír a 2026. szeptember 21., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Hassabis: az AGI már két-három éven belül itt lehet

Demis Hassabis, a Google DeepMind alapítója és kémiai Nobel-díjas tudós a Wall Street Journalnak adott interjúban arról beszélt, hogy becslése szerint az általános mesterséges intelligencia (AGI) már két-három éven belül megérkezhet, szemben a korábbi, három-öt éves jóslatával. A Decoder cikke szerint Hassabis AGI-definíciója egy olyan rendszer, amely lefedi az emberi agy teljes kognitív skáláját, és ezt az úgynevezett „Einstein-teszttel” mérné: képes-e egy kizárólag 1901 előtti tudáson tanított rendszer reprodukálni Einstein 1905-ös dolgozatait. Hassabis az AGI hatását „10-szer akkorának és 10-szer gyorsabbnak” nevezte, mint az ipari forradalom. A cikk szerint Hassabis a Google DeepMind éléről lelépve most a cég gyógyszerkutatási leányvállalatára, az Isomorphic Labsra összpontosít, emellett egy iparág által finanszírozott, kormányzati felügyelet alatt álló testületet javasolt a modellek kiadás előtti ellenőrzésére.

NVIDIA RFD4-Proteina: gyorsabb fehérjetervezés reward-vezérelt kereséssel

Az NVIDIA bejelentette az RFD4-Proteina nyílt modellt, amelyet a Washingtoni Egyetem Orvostudományi Karának Protein Design Intézetével közösen fejlesztettek ki. A vállalat szerint a modell egy lépésben tervezi meg a fehérjeszekvenciát és a teljes atomi szerkezetet, kiküszöbölve a korábbi megközelítések külön inverz-folding lépését. Az NVIDIA állítása szerint a reward-vezérelt, inferencia idejű keresés a számítási kapacitást a legígéretesebb jelöltekre összpontosítja, a mintavételezési lépések számát pedig mintegy 400-ról 60-ra csökkentették, ami 3,8-szoros gyorsulást és 84 százalékkal kisebb csúcsmemória-igényt eredményez 200 aminosavas fehérjéknél az elődmodellhez, az RFD3-hoz képest. A modell nyílt forráskódú változatként és NIM mikroszolgáltatásként is elérhető, és a vállalat szerint olyan feladatokra használható, mint a PD-L1 onkológiai célpont elleni kötőfehérjék tervezése hotspot-megkötésekkel.

Elevenlabs két új valós idejű beszédmodellt jelentett be

Az Elevenlabs két új speech-to-speech modellt adott ki Eleven Realtime néven: a v1 Max és a v1 Mini változatot. A cég állítása szerint a v1 Max 98,8 százalékot ér el a Big Bench Audio benchmarkon, mindössze 0,57 másodperces válaszidővel, és jelenleg egyetlen modell sem gyorsabb és pontosabb egyszerre az Artificial Analysis ranglistáján. A kisebb v1 Mini modellt természetes, olcsóbb beszélgetésekre fejlesztették, és felismeri, ha valaki befejezte a mondandóját vagy csak "mm-hmm"-mel reagál, míg a v1 Max komplexebb feladatokra, például ügyfélszolgálati célokra készült. Mindkét modell elérhető az ElevenAgents platformon, valamint egy OpenAI-kompatibilis Realtime API-n keresztül, percalapú díjazással és token-költséggel.

Mistral AI bemutatta a Voxtral 3 hangügynök-rendszert

A Mistral AI bejelentette a Voxtral 3 nevű modellcsaládot, amely valós idejű hangalapú AI-ügynökök építésére szolgál. A rendszer tartalmaz egy beszédfelismerő modellt (Voxtral Small Transcribe 3), egy szövegfelolvasó modellt (Voxtral Mini TTS 3), valamint egy LiveKit-alapú ügynök-SDK-t, amelyek egyetlen streamelt folyamatban egyesítik a hallgatást, a gondolkodást, az eszközhasználatot és a beszédet. A vállalat szerint az átirat-készítés több mint 50 nyelvet, a beszédszintézis pedig 35 nyelvet és 50 dialektust fed le érzelmi adaptációval. A cég közlése szerint az ügynökök élő beszélgetés közben külső rendszerekhez is hozzáférhetnek, például időpontfoglaláshoz vagy számlaellenőrzéshez. Mistral azt állítja, hogy a rendszer futtatható saját infrastruktúrán vagy EU-ban hosztolt API-kon keresztül, az átírás ára pedig percenként 0,0035 dollártól indul.