Бенчмарк Multimodal-SEA проверил 7 мультимодальных моделей на устойчивость к социотехническим атакам. Успешность атак — от 7.1% до 34.5%. Добавление мультимодального контента (картинки, аудио) повышает успех атаки с 19.9% до 29.2%.
Анонсирована модель Decision 3.0 — открытые мультимодальные decision-модели размером от 0.6B до 27B, занявшие первое место на обоих лидербордах Jev Decision Index. Технические детали и ссылки на бенчмарки не раскрыты.
Новая open-weight модель Clef-omni принимает текст, изображения, аудио (wav/mp3) и видео (mp4/webm) без каскадов распознавания речи. Она построена на базе Qwen3-Omni-30B-A3B-Instruct, но без text-to-speech компонентов. Заодно Cloudflare урезала цену Clef-flash — теперь он дешевле Jev от TypeSafe, а сам Clef стал быстрее.
Hugging Face выпустил NeoMME — семейство мультимодальных энкодеров 260M и 800M параметров. Модель обрабатывает текст и картинки одним bidirection-Transformer, обученным с нуля на masked discrete-diffusion. 260M модель на L40S обрабатывает ~51 страницу в секунду, а индекс late-interaction сжат в 255 раз без потери точности.