پایان سلطهی غولهای TTS: مدل Kokoro بازی را تغییر داد
مدل Kokoro با تنها ۸۲ میلیون پارامتر، کیفیت صدای رقبای بزرگتر را با هزینهای کمتر از ۱ دلار برای هر میلیون نویسه به دست آورده است. این مدل با لایسنس آپاچی منتشر شده و مسیر جدیدی…
دستهبندی
بهروزرسانیهای کوتاه و سریع: عرضهها، شراکتها، سرمایهگذاری، قوانین و اخبار سختافزار. نبض پنجدقیقهای صبح.
۵٬۵۳۸ مقاله منتشر شده
مدل Kokoro با تنها ۸۲ میلیون پارامتر، کیفیت صدای رقبای بزرگتر را با هزینهای کمتر از ۱ دلار برای هر میلیون نویسه به دست آورده است. این مدل با لایسنس آپاچی منتشر شده و مسیر جدیدی…
مؤسسه Allen AI مدل olmOCR را برای استخراج ساختاریافتهی متن از تصاویر اسناد معرفی کرد. این مدل با وزنهای باز، جایگزینی قدرتمند و محلی برای سرویسهای تجاری OCR است که پردازش انبوه…
مایکروسافت با معرفی Phi-4-multimodal-instruct، مدلهای غولآسای صوتی را به چالش کشید. این مدل ۵.۶ میلیارد پارامتری با ترکیب متن، تصویر و صوت در یک شبکه واحد، رکورد جدیدی در دقت…
تیم Wan در ۲۲ فوریه ۲۰۲۵ مدلهای Wan2.1 را منتشر کرد که ادعای برتری نسبت به رقبای بسته را دارد. این مجموعه شامل یک مدل پرچمدار ۱۴ میلیارد پارامتری و یک مدل سبک ۱.۳ میلیارد…
نسخه جدید Jaeger با بازطراحی کامل بر پایه OpenTelemetry، امکان ردیابی دقیق فراخوانهای مدلهای زبانی و زنجیرههای استدلالی را فراهم کرده است. این ابزار اکنون به مهندسان اجازه…
شرکت **Black Forest Labs** مدل **FLUX.1 [dev]** را با ۱۲ میلیارد پارامتر و وزنهای باز عرضه کرد. این مدل در کیفیت و درک پرامپتها با رقبای تجاری برابری میکند، هرچند مجوز آن…
شرکت OpenAI در راهنمای جدید خود اعلام کرد که توسعهدهندگان باید پرامپتهای قدیمی را کنار بگذارند. در GPT-5.5، دستورات مفصل و فرآیندمحور باعث کاهش کیفیت پاسخها میشوند و رویکرد…
پژوهش تازه نشان میدهد اضافه کردن ماژولهای خودنظارتی بهعنوان قطعات جانبی، هیچ بهبودی ایجاد نمیکند. اما یکپارچهسازی ساختاری این ماژولها در مسیر تصمیمگیری، نتایج قابلتوجهی…
گوگل اپلیکیشن بومی **جمینای** (Gemini) را برای رایانههای مک منتشر کرد. کاربران با میانبر Option + Space از هر نقطهای در سیستم به دستیار هوش مصنوعی دسترسی دارند. این حرکت گوگل را…
چارچوب جدید هوش مصنوعی INFORM-CT با ترکیب مدلهای زبانی بزرگ و مدلهای بینایی-زبانی، شناسایی و گزارشدهی یافتههای جانبی در سیتی اسکن شکمی را خودکار میکند. این سیستم با رویکرد…
تِمپلیتفاز چارچوبی نوین برای کشف آسیبپذیریهای قالبهای گفتگو در مدلهای زبانی بزرگ است. این روش با نرخ موفقیت ۹۸.۲٪ و افت دقت تنها ۱.۱٪ عمل میکند و در برابر مدلهای تجاری نیز…
پژوهشگران تلاش کردند ویژگیهای رفتاری را از طریق تقطیر به مدلهای زبانی کوچک منتقل کنند، اما نتایج اولیه مثبت (+۳۳.۹ درصدی MCAS و +۱۵.۳ درصدی HumanEval) ناشی از خطاهای روششناختی…