👀🤖 Открытые модели внезапно догнали «больших» в видео просмотрах

Наткнулся на интересную новость: Allen Institute for AI (AI2) показал модель Molmo 2, и она довольно уверенно демонстрирует, что open-source в видео-понимании больше не выглядит «вторым эшелоном».

Если коротко: Molmo 2 — мультимодальная модель, которая умеет не просто смотреть видео, а понимать происходящее в динамике: отслеживать действия, связывать события между кадрами, отвечать на вопросы по сценам. И по ряду бенчмарков она вплотную приблизилась к проприетарным моделям крупных игроков.

В чём прикол и зачем всё это нужно:

Видео — следующий фронтир ИИ. С текстом и картинками уже нет проблем, а вот видео — это сложно: время, контекст, причинно-следственные связи.
Open-source догоняет не по ощущениям, а по цифрам. Это уже не «для исследований», а реальные модели, которые можно брать и встраивать.
Цена и контроль. Открытые модели дают контроль над данными и инфраструктурой — всё более критично для бизнеса и индустрии.
Скорость развития. Как только такие модели становятся открытыми, экосистема вокруг них растёт экспоненциально.

Самый интересный вывод здесь даже не в Molmo 2. А в том, что монополия на сложные мультимодальные модели начинает разрушаться. Большие компании по-прежнему впереди по ресурсам, но уже не выглядят недосягаемыми.

Похоже, в видео-ИИ нас ждёт тот же сценарий, что и с LLM: сначала «гиганты», потом — быстрый и очень конкурентный open-source.

Подписывайтесь на Telegram PromtScout.