MiniCPM-V 4.7 Новая открытая серия мультимодальных моделей OpenBMB для устройств Две модели: MiniCPM-V 4.7 35B-A3B и MiniCPM-V 4.7 1B. • Мультимодальное понимание, STEM-рассуждения, #OCR и длинные видео • Локальный запуск на #iOS и #Android • Гибридное сжатие визуальных токенов 4× и 16× • Self-Replay Fine-Tuning — дешевая донастройка под новые задачи без потери общих качеств • 35B-A3B: 17+ токенов/с на iPad Pro M4 (16 ГБ), 13+ на iPhone 17 Pro Max, всего 3 ГБ памяти • LES (Lookahead Expert Scheduling) предзагружает веса экспертов — 5× ускорение на iPad Pro M4 при идентичном выводе • Даже при 16× сжатии 90.4 на OCRBench — на 5.2 пункта выше Qwen3.6 35B-A3B • Конкурентные результаты на 34 бенчмарках github.com/OpenBMB/MiniCPM-V huggingface.co/collections/openbmb/minicpm-v-47 #multimodal #mobile MAX

Youtu-Parsing-Omni Компактная омнимодальная парсинг-модель от Tencent: один 5B трансформер превращает в структурированный JSON почти что угодно — документ, картинку, график, чертеж, аудио и видео. • Парсинг документов: лейаут, текст, таблицы, формулы, порядок чтения • Картинки, графики, блок-схемы, геометрические фигуры • Аудио: ASR, спикеры, сцены, акустические события • Видео: кадры, OCR+ASR, отчёт о клипе • Один унифицированный JSON-конверт для семи семейств задач • Распознавание химструктур (ChemOCR) и нот (PDMX) • 5B параметров, один энкодер на все модальности • #SOTA на OmniDocBench v1.6 (96.96) • Лучшая опенсорс на OmniParsingBench (75.08), после Gemini-3-Pro • vLLM-плагин для быстрого сервинга github.com/TencentCloudADP/youtu-parsing learn2play.fun #omnimodal #multimodal #any2json #vlm #alm MAX

Realtime-Venus Полный аудио-видео дуплекс: модель слушает, пока говорит, видит аудио-видео контекст и параллельно делегирует задачи в фон, не прерывая диалог. Два чекпоинта по 9B на базе MiniCPM-o 4.5 • Omni - аудио-видео: непрерывно смотрит и слушает, сама решает, когда ответить • Audio - голосовый диалог с речевым выводом • асинхронная делегация - <delegate>-запросы в потоке, внешние задачи не блокируют разговор • память длинных видео без дообучения • различает перебивания, коррекции и редиректы Вход: видео, аудио, текст. Выход: текст и речь. Языковая база - Qwen3-8B, контекст 40960 токенов Гитхаб HF Heretic Демо #multimodal #duplex #realtime #dialog

Ovis-Embedding Универсальные эмбеддинг-модели для всего сразу: текст, изображения, документы, видео, аудио и смешанные входы в одном пространстве представлений • Omni-Embedding-3B - база на Qwen2.5-Omni, any-to-any поиск одним энкодером • VL-Embedding 2B и 9B - для текста и изображений, документов • любые задачи ретрива: поиск, RAG, рекомендации, ретрив инструментов для агентов • сжатие эмбеддингов до 128 измерений для ограниченных деплоев • эмбеддинг - хидден-стейт последнего токена, без проекционных голов • выход 2048 измерений, сжимается до 1024/512/256/128 • Apache 2.0 На бенчмарке MMEB-v3 (190 датасетов) обходит сильнейший байзлайн на 5.19 балла во всех модальностях Гитхаб HF #multimodal #embedding MAX