Googles Gemini 3.8 Live bliver native tale-til-tale

Googles Gemini 3.8 Live bliver native tale-til-tale

Google svarede igen den 15. september med Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking — native tale-til-tale-modeller, der nu er tilgængelige i Gemini API'et og AI Studio [3][4]. Begge modeller håndterer dialog i realtid, visuelle input, asynkrone funktionskald og baggrundsbrug af værktøjer uden at bryde samtalens flow — og standardmodellen topper Speech-to-Speech Quality Index med en score på 82,6 [5].

Prissætningen er aggressiv for udviklere ($0,005/min input, $0,018/min output-lyd), og der kommer en enterprise-preview i Gemini Enterprise. Bemærkelsesværdigt nok leveres modellen med indbygget live-transskription og oversættelse på over 70 sprog — en detalje, der betyder mere, end man umiddelbart skulle tro, for alle der bygger flersprogede mødeværktøjer.

Reaktionerne på X fokuserede på integrationen med Workspace og Search, hvor flere fremhævede den lave latenstid og baggrundsbrugen af værktøjer som det egentlige gennembrud for erhvervsapplikationer — ikke bare stemmeassistenter til privatforbrugere.

MLCommons standardiserer benchmarks for RAG og agent-baserede systemer

MLCommons udgav MLPerf Inference v6.1 den 16. september, og den store nyhed er et End-to-End RAG-benchmark, der endelig tester hele embed-retrieve-rerank-reason-pipelinen, samt et Edge Agentic Inference-benchmark til multi-turn-opgaver med voksende kontekst [6][7]. Deltagelsen slog rekord, hvilket signalerer, at branchen nu betragter retrieval-augmented systemer som central infrastruktur, der er værd at måle grundigt — ikke bare en sidegevinst.

NVIDIAs bidrag viste gevinsten — 6,4 gange hurtigere ydelse på Jetson AGX Thor for agent-baserede arbejdsopgaver [8]. For alle, der bygger eller køber knowledge retrieval-systemer, er dette første gang, der findes en standardiseret, sammenlignelig måde at spørge "hvor godt er denne RAG-pipeline egentlig?" i stedet for blot at stole på leverandørens markedsføring.

AI-forskere på X kaldte det længe ventet og påpegede, at virksomhedskøbere, der evaluerer værktøjer til vidensstyring og retrieval, hidtil har manglet direkte sammenlignelige benchmarks — indtil nu.

Salesforce og NVIDIA lancerer Koa, en CRM-native reasoning-model

Til Dreamforce den 15. september præsenterede Salesforce og NVIDIA Koa, Salesforces første CRM-specifikke reasoning-model, efter-trænet på NVIDIA Nemotron 3 Super med syntetiske arbejdsgange baseret på 27 års CRM-data fra over 14 brancher — bemærkelsesværdigt nok blev der ikke brugt kundedata i træningen [9][10]. Jensen Huang beskrev det på Dreamforce som et vendepunkt: "nu kan vi vide alt og gøre alt" [11].

Indbygget i Agentforce leverer Koa en forbedring på 11 % i præcision, 2,1 gange bedre kontekst-genkaldelse og 3 gange færre fejl på CRM Bench-opgaver som opdatering af salgsmuligheder og sagsrouting [10]. Pilotkunder inkluderer Formula 1 og UChicago Medicine, og fuld tilgængelighed er planlagt til vinteren 2026.

Salgs- og virksomhedsstemmer på X hæftede sig især ved token-effektiviteten — en domænespecifik reasoning-model, der spilder mindre kontekst og laver færre fejl, er et klart signal om, at vertikal, arbejdsgangs-native AI begynder at slå generalist-modeller på deres egen banehalvdel.

Hvad dette betyder for dine møder

Dagens nyheder er egentlig én historie fortalt på fire måder: stemme, ræsonnering, retrieval og domænespecifik hukommelse smelter sammen til én fælles forventning — at AI-systemer skal høre, hvad der sker, forstå det og huske det præcist måneder senere. GPT-Live-1 og Gemini 3.8 Live beviser begge, at full-duplex stemme med lav latenstid nu er en selvfølge, ikke en differentiator. Differentieringen ligger i, hvad der sker efter samtalen — hvor godt systemet henter og ræsonnerer over det, der blev sagt.

Det er præcis her, MLCommons' nye RAG-benchmark og Salesforces Koa er lærerige. Koas fremskridt kom ikke fra en større model, men fra træning på realistiske arbejdsgangsdata og en belønning af præcis genkaldelse frem for generisk sproglig flydenhed — samme princip, der adskiller et mødeværktøj, der blot transskriberer ord, fra et, der faktisk opbygger en brugbar institutionel hukommelse. En vidensgraf over dine møder er kun så god som dens retrieval-kvalitet, og nu findes der endelig en standardiseret måde at måle det på i stedet for blot at tage leverandørens ord for det.

For teams, der er afhængige af platforme til mødeintelligens, er budskabet klart: æraen med "bare transskriber det" er slut. Barren er nu full-duplex samtaleforståelse, præcis taler-identifikation og retrieval, der kan stå distancen i grundige benchmarks — på tværs af hele din mødehistorik, ikke bare det seneste møde.

Kort fortalt: Stemme-AI bliver hurtigt en hyldevare — den reelle konkurrencefordel flytter sig nu mod retrieval-kvalitet og langtidshukommelse, og det er præcis det terræn, som mødeintelligens-værktøjer som Proudfrog er bygget til at gøre til sit eget.

Sources

1. https://openai.com/index/gpt-6-astra-next-generation-work/
2. https://openai.com/index/introducing-gpt-live-1-in-the-api/
3. https://www.wired.com/story/openai-says-gpt-6-can-use-a-computer-better-than-a-human/
4. https://blog.google/innovation-and-ai/technology/developers-tools/build-real-time-voice-applications-gemini-audio/
5. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/
6. https://ai.google.dev/gemini-api/docs/models/gemini-3-8-live
7. https://mlcommons.org/2026/09/mlperf-inference-v6-1-results/
8. https://techstrong.ai/articles/mlperf-inference-v6-1-updated-for-rag-agents-and-api-based-serving/
9. https://developer.nvidia.com/blog/tensorrt-edge-llm-completes-the-mlperf-edge-agentic-benchmark-6-4x-faster-on-jetson-agx-thor/
10. https://www.salesforce.com/agentforce/koa/
11. https://blogs.nvidia.com/blog/jensen-huang-dreamforce/
12. https://investor.salesforce.com/news/news-details/2026/Announcing-Koa-Salesforces-First-CRM-Reasoning-Model-Built-on-NVIDIA-Nemotron/default.aspx