2026. szeptember 4., péntek · Modellek

Cohere bemutatta a Parse 5 dokumentumfeldolgozó modellt, míg egy friss teszt rávilágít az AI korlátaira

A Cohere 2026. augusztus 27-én bemutatta a Parse 5 nevű, 2,3 milliárd paraméteres multimodális modellt, amely a vállalat szerint bonyolult, vizuálisan gazdag PDF-eket – pénzügyi jelentéseket, tudományos cikkeket – alakít tiszta Markdownná, pontos elhelyezési koordinátákkal. A cég saját ParseBench mérésén 79,2 pontos átlagot ért el táblázatkinyerésben, tartalmi hűségben és formázásban, ez azonban a Cohere saját, független ellenőrzés nélküli adata. Egy párhuzamos, még nem lektorált arXiv-preprint, a DocHop benchmark szerint a vezető multimodális modellek mindössze 62,83%-os pontosságot érnek el összetett, több lépéses dokumentum- és diagramalapú következtetésben, míg az emberi teljesítmény 90% felett van. A két forrás eltérő kérdést vizsgál: egy konkrét kereskedelmi termék állítólagos képességét és a terület általános, még nem validált korlátjait.

Miért fontos?

A hír egyszerre mutatja meg egy vállalati dokumentumfeldolgozó modell állított teljesítményét és egy még nem lektorált benchmark szerinti jelentős emberi-gépi teljesítménykülönbséget.

Források

arXiv cs.AI Preprint InfoQ AI

Kapcsolódó témák

Napi összefoglalók AI kutatás #Cohere Parse 5#DocHop benchmark

Napi összefoglaló

Ez a hír a 2026. szeptember 4., péntek 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.