Moossi привлекла более 1 млрд юаней на модели для реального мира
Продолжение поста

С начала 2026 года компания выпустила более 20 моделей, в том числе несколько открытых.

Флагманский открытый продукт — MOSS-VL-Realtime, выпущенный в июле: модель получает видеопоток и обновляет выводы по мере изменения картинки, не дожидаясь конца записи.

Параллельно развиваются смежные модели. MOSS-Transcribe-Diarize одновременно транскрибирует речь, определяет, кто говорит, и расставляет временны́е метки — в отличие от распространённой схемы, где распознавание речи и разметка дикторов работают раздельно и сшиваются по временно́й оси.

Версия с 0,9 млрд параметров поддерживает более 50 языков; через 5 дней после открытого выпуска она заняла 1-е место на соревновании MLC-SLM Challenge конференции INTERSPEECH 2026 среди 110 команд при охвате 14 языков. MOSS-Audio распознаёт темп речи, эмоции, паузы и фоновые звуки; MOSS-TTS синтезирует голос по текстовому описанию — например, «немолодой мужской голос средних лет» — без эталонной записи.

Модели используются перекрёстно: понимающие модели размечают данные для генеративных, генеративные производят новые примеры для обучения понимающих. Компания называет этот подход AI for AI. По словам одного из инвесторов, именно эта петля стала аргументом в пользу вложений.

Следующий шаг — система MOSS Live: интерактивная модель на переднем плане непрерывно слушает и смотрит, фоновая занимается сложным планированием и вызовом инструментов, не прерывая диалог. Конечная цель, по словам компании, — единая мультимодальная модель.

Источник: GeekPark (🇨🇳)

#MOSSмногомодальныемодели #многомодальныеИИ #реальтайм