แท็ก: #realtime

MOSS-VL — โมเดลภาษา-ภาพโอเพนเวต 11B ที่ "ดูไปพูดไป" ได้จริง ทุบสถิติ open-source บนสตรีมมิ่งวิดีโอ

ทีม OpenMOSS ปล่อย technical report ของ MOSS-VL เมื่อ 15 ส.ค. 2026 — ตระกูลโมเดลภาษา-ภาพโอเพนเวต 11.3B ใบอนุญาต Apache-2.0 ที่ออกแบบให้ "มองเห็นขณะกำลังพูด" ได้ ทำคะแนน 66.0 บน OmniMMI Proactive Alerting เทียบกับ 37.5 ของคู่แข่งที่ดีที่สุด และมีเช็คพอยต์ FP8/NF4 ให้รันบน GPU 24GB ตัวเดียว

18 ส.ค. 2569 · อ่าน 6 นาที

ผลิตภัณฑ์

GPT-Live: ChatGPT ฟังและพูดพร้อมกันได้แล้ว — สถาปัตยกรรม full-duplex ที่ตัดสินใจหลายครั้งต่อวินาทีว่าจะพูด ฟัง หรือขัดจังหวะ

8 ก.ค. 2026 OpenAI เปิดตัว GPT-Live-1 และ GPT-Live-1 mini โมเดลเสียงที่ฟังและพูดพร้อมกันได้จริง แทนที่จะสลับกันทีละฝ่ายแบบ push-to-talk เดิม ระบบตัดสินใจหลายครั้งต่อวินาทีว่าจะพูด ฟังต่อ หยุด ขัดจังหวะ หรือเรียกเครื่องมือ และส่งงานที่ซับซ้อนไปให้ GPT-5.5 ทำเบื้องหลังระหว่างที่บทสนทนายังเดินอยู่ ยังไม่มี API ตอนเปิดตัว

10 ก.ค. 2569 · อ่าน 4 นาที