KI News: Kurz und klar.

Selbst die leistungsstärksten „Long‑Context“-KI‑Modelle scheitern, wenn sie Objekte und Zählungen über lange, chaotische Videostreams hinweg verfolgen müssen. Das ist ein echter Stolperstein für die nächste Generation von KI-Systemen.

Meituan’s LongCat-Team hat mit LongCat Flash Omni ein bahnbrechendes, quelloffenes Omni‑Modal‑Modell vorgestellt. Das System kombiniert 560 Billiarden Parameter – von denen pro Token etwa 27 Billiarden aktiv sind – und ermöglicht gleichzeitig das Verarbeiten von Text, Bild, Video und Audio.

Mit der neuen Technologie ColPali können KI‑Modelle nicht mehr nur Text, sondern auch Bilder und andere visuelle Inhalte in ihre Wissensdatenbanken aufnehmen. Durch die Kombination von Bild‑ und Textinformationen wird Retrieval‑Augmented Generation (RAG) deutlich leistungsfähiger, da die Modelle nun auf eine breitere Palette von Daten zugreifen können. Diese Erweiterung eröffnet neue Möglichkeiten, komplexe Fragen zu beantworten und Inhalte aus unterschiedlichen Medienquellen zu verknüpfen, wodurch der Nutzen von Wissensdatenbanken erheblich gesteigert wird.

Modulare Expertensysteme (Mixture-of-Experts, MoE) haben die multimodale KI revolutioniert, indem sie die Spezialisierung einzelner Modelle auf unterschiedliche Modalitäten ermöglichen. Doch sobald zusätzliche Modalitäten mehr Rauschen als Mehrwert bringen, kann die Gesamtleistung stark leiden.

Liquid AI hat heute die neue Modellfamilie LFM2‑VL vorgestellt, die speziell für den Einsatz auf Geräten mit niedriger Latenz entwickelt wurde. Die beiden Varianten, LFM2‑VL‑450M und LFM2‑VL‑1,6B, kombinieren eine kompakte Architektur mit hoher Leistungsfähigkeit und ermöglichen so die Nutzung multimodaler KI direkt auf Smartphones, Laptops, Wearables und eingebetteten Systemen.

Die Robustheit gegenüber Out‑of‑Distribution‑(OOD) Daten ist ein zentrales Problem moderner KI‑Systeme, besonders wenn sie in multimodalen Umgebungen arbeiten, die Video, Audio und Sensordaten kombinieren. Für jede Art von Verteilungsshift existieren zahlreiche OOD‑Detektoren, doch keiner von ihnen ist in allen Szenarien überlegen. Die Aufgabe, den besten Detektor automatisch zu wählen, ist schwierig, weil OOD‑Erkennung per Definition unüberwacht erfolgt und die Leistung von Modellen schwer vorherzusagen ist. Zudem ist ein systematisches Vergleichen neuer Daten oft teuer oder gar nicht praktikabel.

Im August 2025 hat das Qwen-Team von Alibaba ein neues Modell namens Qwen-Image-Edit vorgestellt, das die Bildbearbeitung in der multimodalen KI neu definiert.

Envision, ein Unternehmen für barrierefreie Technologie, hat die neue Ally Solos Smart‑Glasses vorgestellt. Die Brille nutzt multimodale KI, um die Umgebung zu beschreiben, Texte zu lesen und Personen zu erkennen.

Die jüngsten Durchbrüche bei generativen KI‑Modellen lassen viele glauben, dass die allgemeine künstliche Intelligenz (AGI) nur noch einen Schritt entfernt sei. Doch die meisten dieser Systeme arbeiten ausschließlich mit Text und vernachlässigen die körperlich verankerten Sinnesdaten, die für ein echtes Verständnis nötig sind. Experten betonen, dass die Fokussierung auf Sprache die implizite, körperlich verankerte Intelligenz ausblendet. Ohne diese multimodale Basis bleibt die KI auf symbolische Verarbeitung beschränkt und kann die volle Bandbreite menschlicher Kognition nicht abbilden. Kurz gesagt: AGI ist noch nicht multimodal, und die KI‑Forschung muss die Grenzen der einsprachigen Modelle erkennen. Einordnung: KI‑Entwicklung – AGI‑Status (Quelle: The Gradient)