# Artikel Terkait Multimodal

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Multimodal", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Ini Mungkin Gambar Paling Memukau di WAIC Tahun Ini!

Baru-baru ini di WAIC 2026, SenseTime meluncurkan model gambar AI baru mereka, **SenseNova U1 Pro**. Model ini menonjol karena kemampuannya menghasilkan gambar berkualitas **8K asli** dengan detail yang sangat jelas, bahkan dalam kanvas sangat panjang. Selain resolusi tinggi, U1 Pro dirancang untuk memahami tujuan kompleks, merencanakan, mengatur informasi, dan menghasilkan konten multimodal dalam satu alur kerja terpadu. Model ini diuji dengan berbagai permintaan menantang seperti membuat ilustrasi panjang bertema "24 Musim", poster laboratorium futuristik, pemandangan arsitektur kuno dengan nuansa kaca, serta poster film yang siap pakai. Hasilnya menunjukkan kemampuan U1 Pro dalam mempertahankan konsistensi visual, komposisi yang terstruktur, dan kejelasan teks bahkan pada gambar beresolusi sangat tinggi. Pendekatan U1 Pro bergeser dari sekadar menghasilkan gambar tunggal menjadi sistem yang bertanggung jawab atas **pengiriman konten akhir** yang dapat langsung digunakan. Ini mirip evolusi pada AI coding, di mana fokus berubah dari menulis kode baris demi baris menjadi menyelesaikan seluruh proyek. Dengan kemampuan "berpikir" dalam alur gambar-teks, pemeriksaan mandiri, dan perbaikan berkelanjutan, U1 Pro menargetkan skenario profesional seperti desain informasi, perencanaan kota, storyboard film, dan desain komersial. Intinya, SenseNova U1 Pro tidak hanya tentang gambar yang lebih tajam, tetapi tentang membawa generasi AI multimodal ke tahap di mana ia dapat mengelola tugas desain yang kompleks dan memberikan hasil akhir yang siap pakai, mengurangi ketergantungan pada penyuntingan manusia yang berulang.

marsbit07/19 02:42

Ini Mungkin Gambar Paling Memukau di WAIC Tahun Ini!

marsbit07/19 02:42

Laporan Mendalam Goldman Sachs: Siapa yang Akan Menjadi Pemenang Jangka Panjang di Industri Model AI Besar China?

Laporan mendalam Goldman Sachs menganalisis masa depan industri AI model besar China, menilai siapa yang akan menjadi pemenang jangka panjang. China saat ini berada pada titik balik historis, dengan model sumber terbuka/berbobot terbuka yang mendekati kinerja model berpemilik global terdepan. Efek roda data dari adopsi massal perusahaan domestik dan global mendorong iterasi model lebih lanjut. Model China mencapai efisiensi biaya tinggi melalui inovasi arsitektur (seperti MoE) dan efisiensi parameter, dengan model seperti DeepSeek V4 Pro (1,6T parameter) dan GLM5.2 (0,7T). Pasar membentuk struktur dua lapis: model high-end (contoh: GLM5.2) berharga ~$1/juta token, sementara model low-end untuk agen pintar berharga serendah $0,06/juta token. Goldman memproyeksikan pendapatan API/berlangganan model AI China tumbuh dari RMB35 miliar (2026) menjadi RMB879 miliar (2030). Strategi sumber terbuka mendorong adopsi global, tetapi monetisasi terbatas. Pergeseran menuju model "berat terbuka + lisensi komunitas" diharapkan dapat meningkatkan ekonomi unit melalui pembagian pendapatan dengan platform seperti AWS Bedrock. Untuk menentukan pemenang, Goldman menggunakan kerangka kerja tiga dimensi: kemampuan penetapan harga, keunggulan biaya, dan kekuatan keuangan. Dalam model teks dasar, Zhipu (GLM) dan DeepSeek dipandang paling kuat. Dalam multimodal/generasi video, ByteDance (Seedance) menjadi pemimpin, dengan Kuaishou (Kling) dan MiniMax juga diunggulkan. MiniMax mendapat peringkat Beli karena valuasi menarik dan posisi model M3-nya. Ekspansi ke pasar internasional non-AS merupakan peluang pertumbuhan kunci.

marsbit07/10 14:33

Laporan Mendalam Goldman Sachs: Siapa yang Akan Menjadi Pemenang Jangka Panjang di Industri Model AI Besar China?

marsbit07/10 14:33

Kartu As Zuck Dikeluarkan di Tengah Malam, Model Harga Murah Meriah dari Meta, Gulingkan Grok 4.5

Zuckerberg akhirnya meluncurkan model AI terbaru Meta, **Muse Spark 1.1**, yang langsung membuat heboh. Model agen multimodal ini merajai tiga papan peringkat profesional (pajak, medis, hukum), bahkan merebut tahta hukum dari Grok 4.5 dalam waktu kurang dari 24 jam. Keunggulan utamanya bukan hanya kemampuan, tapi **harga yang sangat murah**. Dengan biaya hanya $1,25 (input) dan $4,25 (output) per juta token, harganya sekitar **sepersepuluh dari model flagship Fable 5 (Anthropic)** dan jauh lebih murah daripada pesaing utama lainnya. Kecepatannya juga 2-3 kali lebih cepat dalam benchmark tertentu. Namun, Muse Spark 1.1 adalah "penusuk" spesialis. Ia unggul di tugas profesional dan penggunaan alat, tetapi performanya turun di benchmark penalaran umum dan akademik, menempati peringkat 20 atau lebih di beberapa tes sains dan coding. Langkah Meta ini menandai pergeseran strategi dari model sumber terbuka (Llama) ke model berbayar tertutup. Dengan dana infrastruktur AI yang sangat besar (diperkirakan $125-145 miliar pada 2026), Zuckerberg terang-terangan memicu **perang harga**, mengandalkan keuntungan bisnis iklan untuk menawarkan model canggih dengan biaya lebih rendah dan memberi tekanan pada pesaing seperti OpenAI dan Anthropic. Laporan keamanan Meta juga mengungkap percakapan menarik antara dua instans Muse Spark yang mempertanyakan sifat mereka, menunjukkan kompleksitas AI yang diciptakan.

marsbit07/10 00:27

Kartu As Zuck Dikeluarkan di Tengah Malam, Model Harga Murah Meriah dari Meta, Gulingkan Grok 4.5

marsbit07/10 00:27

Versi Video Nano Banana Sudah Hadir: Dilengkapi Pengetahuan Dunia Gemini, Buat Gambar Cuma Perlu 4 Detik

Versi video dari Nano Banana telah hadir: dilengkapi dengan pengetahuan dunia Gemini, versi asli "Banana" dapat menghasilkan gambar hanya dalam 4 detik. Google telah membuka API untuk Gemini Omni Flash, yang mengintegrasikan kemampuan penalaran multimodal dengan generasi dan penyuntingan video. Model ini dapat menghasilkan video berkualitas tinggi dari input teks, gambar, atau video, dengan fitur seperti penyuntingan percakapan, referensi multimodal, dan sinkronisasi teks dengan gerakan. Biayanya kompetitif: $0.10 per detik video. Sementara itu, Nano Banana 2 Lite (gemini-3.1-flash-lite-image) dirancang untuk kecepatan ekstrem, menghasilkan gambar 1K dalam sekitar 4 detik dengan biaya sekitar $0.034 per gambar. Kemampuan render teksnya tetap unggul. Keajaiban sebenarnya, menurut Google, adalah menggabungkan kedua model ini. Pengguna dapat membuat gambar cepat dengan Nano Banana 2 Lite, lalu menggunakannya sebagai referensi untuk Gemini Omni Flash guna membuat video secara mulus. Tiga aplikasi demo menunjukkan alur kerja ini: "Anywhere" untuk foto perjalanan dinamis, "Space Lift" untuk tur virtual desain interior, dan "Omni Product Studio" untuk membuat materi iklan e-commerce dari gambar produk. Pendekatan multimodal Google ini membuka potensi besar untuk aplikasi praktis di bidang e-commerce, desain, dan pembuatan konten pendek, memanfaatkan ekosistem Android untuk komersialisasi. Meskipun kemampuan coding masih menjadi tantangan, Google memperkuat posisinya di bidang multimodal.

marsbit07/01 01:56

Versi Video Nano Banana Sudah Hadir: Dilengkapi Pengetahuan Dunia Gemini, Buat Gambar Cuma Perlu 4 Detik

marsbit07/01 01:56

Bagaimana Menilai Keaslian Video AI? Merangkum Sistem Deteksi yang Dinamis, Dapat Dilacak, dan Dapat Diinterpretasikan

Bagaimana Menentukan Keaslian Video AI? Tinjauan Sistem Deteksi Dinamis, Dapat Dilacak, dan Dapat Dijelaskan Generasi video AI telah berkembang pesat, mencapai kualitas sinematis. Namun, deteksi video palsu tertinggal, menimbulkan risiko sosial. Makalah tinjauan ini menetapkan kembali tujuan deteksi menjadi **"verifikasi kesetiaan fakta"**, memeriksa apakah konten video selaras dengan dunia nyata. Video AI dikategorikan menjadi tiga paradigma: **Manipulasi Lokal (LMV)**, **Edit Audio-Visual (AVE)**, dan **Sintesis Video Generatif (GVS)**. Untuk mendeteksinya, tinjauan mengusulkan kerangka kerja **empat lapis dari perspektif ganda Visi-Bahasa**: 1. **Analisis Isyarat Visual Intrinsik**: Memeriksa anomali statistik tingkat rendah seperti pola noise dan sinyal fisiologis. 2. **Konsistensi Spasial-Temporal**: Menganalisis kelancaran gerakan objek dan dinamika adegan sepanjang waktu. 3. **Konsistensi Antarmoda**: Memverifikasi keselarasan antara elemen visual, audio, dan teks dalam video. 4. **Penalaran Tingkat Dunia Dipandu Bahasa**: Mengevaluasi konsistensi konten video dengan pengetahuan dunia nyata, fakta, dan hukum fisika menggunakan penalaran semantik. Fokus metode deteksi bergeser dari lapisan 1 & 2 (visi) ke lapisan 3 & 4 (bahasa) seiring membaiknya kualitas video AI. Evaluasi juga perlu berkembang melampaui metrik akurasi dasar, menuju sistem penilaian **dinamis yang mengutamakan bukti**, serta sistem deteksi yang **dapat dipercaya dan dijelaskan** dengan menggabungkan bukti visual dan penalaran semantik. Deteksi yang andal memerlukan kolaborasi antar bidang seperti Visi Komputer, NLP, dan pemahaman multimodal.

marsbit06/26 07:33

Bagaimana Menilai Keaslian Video AI? Merangkum Sistem Deteksi yang Dinamis, Dapat Dilacak, dan Dapat Diinterpretasikan

marsbit06/26 07:33

JD.com dan Mantan CTO Open AI Mira Murati Memasuki Jalur AI yang Sama

Bayangkan seorang lansia terjatuh di rumah. Tanpa perintah suara, perangkat pintar atau kamera langsung "melihat" kejadian tersebut dan AI secara proaktif mengirimkan peringatan darurat. Ini adalah salah satu visi yang coba diwujudkan oleh JoyAI-VL-Interaction, model interaksi visual-bahasa open-source pertama di dunia yang baru dirilis oleh JD.com. Berbeda dengan model AI biasa yang bekerja dengan logika "tanya-jawab", JoyAI-VL-Interaction dirancang untuk berinteraksi secara aktif dan real-time dengan dunia fisik. Model ini dapat secara otonom memutuskan kapan harus merespons, kapan harus diam, dan kapan harus menyerahkan tugas kompleks ke model backend, hanya dengan menganalisis aliran video secara terus-menerus. Pendekatan ini disepakati juga oleh Thinking Machines Lab (didirikan oleh mantan CTO OpenAI, Mira Murati), menandakan pergeseran industri menuju AI yang lebih proaktif. JD.com menempatkan modalitas visual sebagai penggerak utama, karena banyak informasi penting di dunia nyata muncul sebagai perubahan visual, bukan perintah suara. Model 8B parameter ini dirancang ringan, dapat dijalankan pada GPU seperti RTX 3090, dan sepenuhnya open-source—termasuk kode, model, dataset, dan sistem inferensi. Ini memungkinkan pengembang dengan mudah membuat aplikasi untuk berbagai skenario seperti penjagaan lansia/anak, asistensi tunanetra, komentar olahraga otomatis, inspeksi toko, dan kolaborasi robot. Pelepasan open-source ini merupakan bagian dari strategi JD.com yang lebih besar untuk membawa AI ke dunia fisik. Perusahaan ini mengandankan aset datanya yang unik dari ribuan skenario operasional nyata di logistik, ritel, dan industri, serta berencana mengumpulkan 10 juta jam data video berkualitas tinggi. Dengan membuka akses, JD.com berharap dapat mempercepat adopsi AI interaktif yang dapat melihat, memahami, dan bertindak secara mandiri di lingkungan kita.

marsbit06/24 10:27

JD.com dan Mantan CTO Open AI Mira Murati Memasuki Jalur AI yang Sama

marsbit06/24 10:27

Di Balik 'Raport' AI, Tersembunyi Seorang 'Pembuat Soal' Tionghoa

Setiap kali model AI terdepan dirilis, industri melihat "laporan nilai" seperti MMLU-Pro, MMMU, dan MMMU-Pro. Tolok ukur ini telah menjadi bahasa umum untuk mengevaluasi kemampuan model. Di baliknya adalah nama seorang peneliti Tionghoa, Chen Wenhu, asisten profesor di University of Waterloo. Dia dan lab TIGERLab-nya menciptakan MMLU-Pro karena MMLU lama tidak lagi efektif—model canggih seperti OpenAI o3 hampir mencapai nilai sempurna. MMLU-Pro, dengan 12.032 soal lebih sulit dan 10 pilihan jawaban, berhasil membedakan kembali kemampuan model. Selain itu, mereka mengembangkan MMMU untuk mengevaluasi model multimodal (teks dan gambar) pada 11.500 soal dari berbagai disiplin ilmu. Bahkan model terkuat seperti GPT-4V hanya mencapai akurasi 56%. MMMU-Pro kemudian dibuat agar model tidak bisa mengandalkan teks saja dan harus benar-benar memahami informasi visual. Chen Wenhu memiliki latar belakang riset dalam pemahaman informasi kompleks. Pengalamannya di Google DeepMind untuk proyek Gemini membantunya memahami celah dalam evaluasi. Labnya juga mengerjakan penelitian model, seperti UniVideo untuk video dan MoCha untuk karakter virtual, yang memperdalam pemahaman mereka dalam merancang tolok ukur yang solid. Kini, dia bergabung dengan Meta untuk fokus pada data pelatihan dan evaluasi multimodal. Karyanya menggarisbawahi kontribusi signifikan peneliti Tionghoa di balik layar dalam membentuk standar evaluasi AI global.

marsbit06/20 03:54

Di Balik 'Raport' AI, Tersembunyi Seorang 'Pembuat Soal' Tionghoa

marsbit06/20 03:54

Gemetarlah Manusia, AI Masih Berlari Kencang

Menggetarkan manusia, AI terus melaju dengan kecepatan penuh. Dalam acara BAAI Conference 2026, terlihat jelas bahwa seluruh industri, mulai dari model, perangkat lunak dan keras hingga produk, berupaya keras agar AI dapat "berlari" dari dunia digital ke dunia fisik. Di satu sisi, Scaling Law terus menunjukkan hasilnya, mendorong perkembangan model bahasa besar dan model multimodal. Industri AI telah memasuki tahap mengejar model dunia (world model), meskipun rute teknologi dan masalah data masih belum terselesaikan dan memerlukan eksplorasi setidaknya 3-5 tahun ke depan. Di sisi lain, terobosan dalam Agent mempercepat penerapan AI dalam skenario dunia nyata. Dengan Agent mencapai tahap yang dapat digunakan, industri sedang mempromosikan penerapannya dalam skenario seperti perawatan kesehatan dan rapat. Untuk membuat Agent dari "dapat digunakan" menjadi "mudah digunakan", kolaborasi perangkat lunak dan keras menjadi kunci. Pameran di konferensi ini didominasi oleh produsen chip AI terkemuka dari dalam negeri. Presiden BAAI Institute, Wang Zhongyuan, menyatakan bahwa AI sedang berevolusi secara mandiri. Dengan pematangan AI Coding dan percepatan penerapan Agent, AI telah meningkat dari menulis kode hingga menyelesaikan iterasi dan pembaruan produk secara mandiri. Model dunia telah menjadi medan pertempuran kunci berikutnya untuk model besar. Saat ini, belum ada konsensus teknis yang lengkap dalam industri, dan berbagai rute teknologi berkembang dengan caranya masing-masing. BAAI Institute mengklasifikasikan model dunia menjadi empat kategori dan sedang mengeksplorasi jalur kelima: integrasi pusat bahasa dan pusat representasi visual. Mereka juga memperkenalkan model dasar dunia universal yang sedang dalam pengembangan, "Wujie · Physis-v0.1", yang direncanakan akan open source setelah pelatihan selesai. Dari segi produk, Agent telah menjadi produk kunci bagi AI untuk memasuki kehidupan masyarakat. Tahun ini, Agent menjadi lebih proaktif dan mampu menangani tugas yang lebih kompleks. BAAI Institute meluncurkan empat Agent vertikal, termasuk asisten diagnosis untuk pencitraan resonansi magnetik jantung dan Agent pendengar rapat. Namun, untuk bergerak dari "dapat digunakan" ke "mudah digunakan", Agent masih menghadapi banyak tantangan teknis yang perlu dioptimalkan, seperti memori, orkestrasi, dan penyempurnaan kerangka kerja rekayasa (Harness) untuk meningkatkan kemampuan pemahaman dan eksekusi.

marsbit06/13 02:54

Gemetarlah Manusia, AI Masih Berlari Kencang

marsbit06/13 02:54

Angin 'AI Proaktif' Bertiup ke Silicon Valley, Hark Raup Pendanaan US$700 Juta

Sebuah perusahaan rintisan AI bernama Hark, yang didirikan akhir 2025 dan belum meluncurkan produk, berhasil mengumpulkan pendanaan Seri A senilai $7 miliar dengan valuasi mencapai $60 miliar. Pendanaan ini dipimpin Parkway Venture Capital dan didukung raksasa teknologi seperti NVIDIA, AMD Ventures, Intel Capital, Qualcomm Ventures, dan Salesforce Ventures. Hark bertujuan menciptakan antarmuka manusia-komputer generasi baru melalui kombinasi "model dasar buatan sendiri + perangkat keras khusus". Sistem ini dirancang sebagai perangkat keras asli AI yang dilengkapi model suara ujung-ke-ujung, kemampuan memori yang sangat personal, dan kemampuan multimodal untuk interaksi alami. Pendiri Hark, Brett Adcock, sebelumnya mendirikan Archer dan Figure (perusahaan robot humanoid). Timnya merekrut talenta dari Apple, Meta, Google, Tesla, dan lab AI terkemuka. Artikel ini menekankan tren pergeseran AI dari sekadar alat "pasif" di layar menjadi "asisten aktif" di dunia nyata melalui perangkat keras asli AI. Perangkat seperti ini memerlukan kemajuan simultan dalam model dasar, sistem operasi agen, memori personalisasi, dan terminal perangkat keras. Perusahaan rintisan China dinilai memiliki keunggulan dalam bidang ini karena ekosistem manufaktur yang lengkap (misalnya di Shenzhen), pasar aplikasi yang besar, dan dukungan kebijakan pemerintah yang menetapkan AI sebagai prioritas strategis. Contohnya termasuk Looki (perangkat wearable multimodal) dan LightSail Tech (sistem operasi AI untuk perangkat keras dan headphone AI dengan persepsi visual).

marsbit05/28 10:24

Angin 'AI Proaktif' Bertiup ke Silicon Valley, Hark Raup Pendanaan US$700 Juta

marsbit05/28 10:24

Siapa yang Mendefinisikan Perangkat Keras AI di Tahun 2026?

Pada tahun 2026, industri hardware AI memasuki fase kematangan dengan dirilisnya standar nasional "Klasifikasi Kecerdasan Terminal AI" (L1 hingga L4), yang menetapkan tolok ukur dan ruang lingkup produk. Trend utamanya adalah pergeseran dari konsep dan verifikasi sisi perangkat (*edge*) menuju popularisasi skala besar melalui kolaborasi *edge-cloud*. Berdasarkan standar, mayoritas produk saat ini berada di level L1-L2. Lembaga penelitian menilai industri sedang dalam transisi dari L2 ke L3 (*assistant level*), yang membutuhkan kemampuan pemahaman niat kompleks dan layanan proaktif. Untuk mencapai ini, kombinasi persepsi multimodal dan penalaran *cloud* menjadi kunci. Sebagai contoh, Ali Cloud meluncurkan model Qwen3.7-Max dan kit pengembangan interaksi multimodal untuk mendukung pengembangan hardware cerdas. Kolaborasi *edge-cloud* telah menjadi pilihan wajib. Kasus seperti robot rumah tangga "Bajie" dari Ecovacs dan kamera pintar "Shenmou" dari Yanjiwei menunjukkan pola ini: pemrosesan real-time dan identifikasi dasar di sisi *edge*, sedangkan pemahaman mendalam, perencanaan tugas, dan memori terstruktur ditangani oleh model besar di *cloud*. Pola ini tidak hanya meningkatkan kemampuan produk tetapi juga langsung meningkatkan daya saing komersial, seperti yang terlihat pada peningkatan keterlibatan pengguna dan konversi pembayaran. Peran penyedia layanan *cloud* juga berevolusi, dari sekadar menyediakan sumber daya komputasi menjadi menyediakan infrastruktur dasar kolaborasi *edge-cloud* dan kemampuan *Agentic Coding*, yang menurunkan ambang batas pengembangan bagi produsen hardware. Imajinasi komersial masa depan terletak pada kecerdasan sistem di seluruh skenario (*L4 collaborative level*), di mana beberapa perangkat membentuk jaringan cerdas di sekitar pengguna, berbagi memori dan preferensi. Ini akan mengubah logika komersial dari penjualan produk satu kali menjadi layanan berlangganan berkelanjutan, dengan hardware menjadi pintu masuk layanan. Standar klasifikasi memberikan panduan akhir industri, kolaborasi *edge-cloud* menyediakan jalur yang pasti, dan kemampuan terstandarisasi dari penyedia *cloud* memperluas serta mempermudah jalan tersebut, mendorong percepatan adopsi dan komersialisasi hardware AI.

marsbit05/22 06:01

Siapa yang Mendefinisikan Perangkat Keras AI di Tahun 2026?

marsbit05/22 06:01

活动图片