#멀티모달

13개의 글

1.3B 문서 파싱 OCR MiniCPM-OCR-1.0 — 93.68점, 1.2 pages/s
#3693 1.3B 문서 파싱 OCR MiniCPM-OCR-1.0 — 93.68점, 1.2 pages/s OpenBMB가 MiniCPM-V/o 패밀리 첫 OCR 특화 모델 MiniCPM-OCR-1.0(1.3B)을 공개했습니다. Real5-OmniDocBench 93.68, 처리량 1.2 pages/s, vLLM·SGLang 등 첫날 지원과 한국어 품질 미확인 지점을 정리했습니다.
Gemini API Computer Use 정식 출시 — 두 API에서 GA, 지원 모델 4종 정리
#3679 Gemini API Computer Use 정식 출시 — 두 API에서 GA, 지원 모델 4종 정리 Google이 Gemini API의 Computer Use 도구를 정식 출시했습니다. Interactions API와 GenerateContent API 두 곳에서 GA가 됐고, 지원 모델은 4종이며 권장 모델은 Gemini 3.8 Flash입니다.
Canva Brush 공개 — 디자인 편집 전용 비전-언어 모델, 속도 69% 개선과 비용 46% 절감
#3677 Canva Brush 공개 — 디자인 편집 전용 비전-언어 모델, 속도 69% 개선과 비용 46% 절감 Canva가 디자인 편집용 비전-언어 모델 Brush를 공개했습니다. 이전 에이전트보다 최대 69% 빠르고 작업당 비용은 46% 낮다고 밝혔으며, 결과는 전부 편집 가능하게 남습니다.
Mistral Large 4 가중치 공개 — 1조 파라미터 오픈웨이트, 사이버 지수 51%
#3638 Mistral Large 4 가중치 공개 — 1조 파라미터 오픈웨이트, 사이버 지수 51% Mistral이 Mistral Large 4(Le Chonk)의 가중치를 공개했습니다. 1조 파라미터급 네이티브 멀티모달 모델로, 코딩 지수와 사이버 방어 수치를 앞세웠습니다. 배포 경로와 가격, 아직 확인되지 않은 점을 정리했습니다.
hunch 공개 — EmbeddingGemma2 기반 System One 판단 서버, CPU 추론
#3631 hunch 공개 — EmbeddingGemma2 기반 System One 판단 서버, CPU 추론 undrgrnd-labs가 EmbeddingGemma2 기반 System One 판단 서버 hunch를 공개했습니다. 느린 teacher 모델에서 배운 작은 student가 CPU에서 밀리초 단위로 답하는 구조와 성능 수치를 정리했습니다.
Baidu Unlimited OCR 2: 수백 페이지 문서를 한 번에 읽는 오픈 OCR, 단계별 비용 고정
#3601 Baidu Unlimited OCR 2: 수백 페이지 문서를 한 번에 읽는 오픈 OCR, 단계별 비용 고정 Baidu가 2026년 10월 27일 공개한 Unlimited OCR 2는 SR-SWA로 단계별 디코딩 비용을 고정해 수백 페이지 문서를 한 번에 파싱합니다. 보도 기준 점수와 아직 확인되지 않은 한계를 정리합니다.
LFM3: 하나의 백본에서 갈라진 6종 모델 — Liquid AI의 온디바이스 전문화 전략
#3564 LFM3: 하나의 백본에서 갈라진 6종 모델 — Liquid AI의 온디바이스 전문화 전략 Liquid AI가 하나의 백본에서 갈라진 6종 오픈웨이트 모델 LFM3를 공개했습니다. 22T 토큰 학습, 256K 컨텍스트, 기기에서 도는 작은 모델의 실무적 의미를 정리합니다.
Code Comprehensor: 대규모 레포의 계층 문서·크로스모달 검색 하이브리드와 3단계 하이브리드
#3469 Code Comprehensor: 대규모 레포의 계층 문서·크로스모달 검색 하이브리드와 3단계 하이브리드 Code Comprehensor는 대규모 코드베이스를 이해하는 검색+추론 하이브리드다. CodeGraph로 호출 관계를 지도화하고, CodeScribe로 계층 문서를 생성하고, CodeContrast로 코드-텍스트를 의미 검색한다.
pplx-embed-v2-late: 0.6B·9B 다국어 멀티모달 late-interaction 임베딩
#3448 pplx-embed-v2-late: 0.6B·9B 다국어 멀티모달 late-interaction 임베딩 pplx-embed-v2-late는 0.6B와 9B의 다국어·멀티모달 late-interaction 임베딩 모델 쌍이다. 각 size class에서 text·image·visual document retrieval 벤치마크 전반에 걸쳐 SOTA이며, 0.6B는 자신보다 몇 배 큰
DigUp: EmbeddingGemma 2 기반 온디바이스 파일 의미 검색 데스크톱 앱와 단축키 검색
#3382 DigUp: EmbeddingGemma 2 기반 온디바이스 파일 의미 검색 데스크톱 앱와 단축키 검색 EmbeddingGemma 2(740M, Apache 2.0)를 쓴 오픈소스 데스크톱 파일 의미 검색 앱 DigUp. 865MB 모델을 1회 내려받으면 이후 전부 온디바이스 동작. 텔레메트리도 계정도 없다. Mac/Windows/Linux 지원, GitHub 5.3k 스타.
Mistral Voxtral 3: STT·TTS·SDK를 묶은 실시간 음성 에이전트 스택와 SDK 통합
#3376 Mistral Voxtral 3: STT·TTS·SDK를 묶은 실시간 음성 에이전트 스택와 SDK 통합 Mistral이 실시간 음성 에이전트 스택 Voxtral 3를 출시했다. STT/TTS 모델군 + LiveKit 기반 SDK. FLEURS WER 4.1%(Whisper large-v3 16.0%) 주장, 분당 $0.0035부터.
카카오 Kanana-2-vision-encoder 2종 공개: 지연 60% 감소한 비전 인코더
#3375 카카오 Kanana-2-vision-encoder 2종 공개: 지연 60% 감소한 비전 인코더 카카오가 AI 비전 인코더 Kanana-2-vision-encoder 2종을 오픈소스로 공개했다. medium 4.26억·tiny 9,800만 파라미터, 지연 60% 감소 주장. 온디바이스 멀티모달 파이프라인에 쓸 만한 경량 옵션이 하나 늘었다.
Elorian Glimpse: 이미지를 보고 추론하는 비주얼 리즈닝 모델의 정체와 추론 원리
#3326 Elorian Glimpse: 이미지를 보고 추론하는 비주얼 리즈닝 모델의 정체와 추론 원리 Elorian의 첫 모델 Glimpse는 'visual scratch space' 메커니즘으로 추론 중간에 원본 이미지를 다시 들여다본다. 입력 $0.60·출력 $3.00/1M tokens, GPT-6 Astra 대비 94% 저렴, 자체 평가에서 과학 차트 추론·쇼트폼 캡셔닝은