Modelos multimodales
Clef, el modelo de decisión multimodal de Cloudflare, llega a Ollama con licencia Apache 2.0
Ollama anunció el 19 de octubre que Clef, un modelo de decisión multimodal de 27.000 millones de parámetros hecho por Cloudflare, se puede ejecutar ya en local o en su nube. Convierte un estado y un esquema de preguntas con tipos en decisiones, acepta texto e imagen y es compatible con las API Jev y System One. Está ajustado a partir de Qwen3.8-27B y sale con licencia Apache 2.0.
LanzamientoDisponibleSin confirmar si afecta al plan gratuito
Qué significa para ti
Lo distinto es cómo trabaja: lee la entrada una vez y puntúa todas las respuestas a todas las preguntas a la vez, en lugar de redactar palabra por palabra, y eso es lo que explica la latencia. Su mediana en 43 pruebas es de 209,3 milisegundos, y 38,8 en la variante flash. Sirve para encaminar peticiones, comprobar condiciones, aplicar políticas, leer un documento a partir de una foto y moderar la llamada a una herramienta antes de que se ejecute. Las cifras de referencia no son de Ollama: vienen del anuncio de Cloudflare.
Fuentes
Todo lo anterior sale de estas páginas. Si alguna contradice lo que publicamos, gana la fuente y lo corregimos.
Seguir leyendo
- Modelos multimodales
Gemini Live estrena Guided Vision, que describe el entorno por voz, y llega a Android 9 o posterior
Google lanzó el 1 de octubre Guided Vision en Gemini Live para los dispositivos Android compatibles: al compartir la cámara, Gemini describe el entorno por voz y, si el encuadre no le sirve, pide girar despacio a la derecha, inclinar hacia abajo o echarse atrás. Está dirigido a personas ciegas o con baja visión y se construyó junto a esa comunidad: para entrenarlo se asociaron con Aira, con decenas de miles de horas de interpretación visual, y más de 1.000 miembros de su red de probadores ayudaron a afinar el modelo.
LanzamientoDisponible
- Modelos multimodales
Google añade avatares en tiempo real a Gemini 3.8 Live, por ahora sólo dentro de Gemini Enterprise
Google DeepMind presentó el 24 de septiembre Gemini 3.8 Live con Live Avatar, que añade presencia visual casi en tiempo real a sus modelos de diálogo en directo. La función combina generación de vídeo casi en tiempo real con voz, de forma que el sistema escucha, ve y habla a la vez, y llega apoyada en el lanzamiento de Gemini 3.8 Live de la semana anterior. Desde ese mismo día está disponible en Gemini Enterprise, y los desarrolladores pueden generar un avatar a partir de una imagen de referencia conservando el parecido o la identidad de marca.
LanzamientoAcceso limitado
- Modelos multimodales
DeepSeek lanza V4.1-Flash y redirige a él las peticiones de V4-Pro desde el 14 de septiembre
DeepSeek presentó el 10 de septiembre V4.1-Flash, el modelo más pequeño de su nueva familia de arquitectura, con comprensión visual nativa. Es un modelo de mezcla de expertos de 552.000 millones de parámetros que activa 8.000 millones para procesar la entrada y 16.000 millones para generar la salida. Está disponible en la API de DeepSeek y sustituye a V4-Flash y V4-Flash-Vision-Exp, que quedan retirados. Según la compañía, pruebas de varias partes lo sitúan por delante de V4-Pro en rendimiento, coste y velocidad.
LanzamientoDisponible