پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

Kling: جذب ۲ میلیارد دلار پیش از ورود به بازار سرمایه هنگ‌کنگ

بخش هوش مصنوعی ویدئویی شرکت کوایشو (Kuaishou) با جذب سرمایه‌ای کلان، اکنون آماده عرضه اولیه در بورس هنگ‌کنگ است. این حرکت نشان می‌دهد چین از مرحله توسعه مدل‌ها به سمت تجاری‌سازی…

۱ دقیقه خواندن
زندگی با AI

جایگزینی اشتراکات ماهانه با مدل اعتباری؛ کاهش هزینه‌های AI از ۱۲۰ دلار به

یک تولیدکننده محتوا با تجمیع پنج اشتراک مختلف در یک فضای کاری اعتباری، هزینه‌های ماهانه خود را از ۱۲۰ دلار به مدل پرداخت به‌ازای مصرف تغییر داد. این تغییر علاوه بر حذف هزینه‌های…

۲ دقیقه خواندن۲
آموزش کاربردی

حذف فریم‌های تکراری؛ راهکار claude-real-video برای تماشای ویدیو توسط مدل‌های

ابزار متن‌باز جدیدی عرضه شده است که به مدل‌های زبانی اجازه می‌دهد به‌جای نمونه‌برداری خشک از فریم‌ها، تنها تغییرات معنا‌دار صحنه را «ببینند». این سیستم با اجرای محلی و حذف…

۴ دقیقه خواندن

Gizmo: زیرساختی برای تبدیل پرامپت به بازی‌های تعاملی در اپلیکیشن Pocket

متا اپلیکیشن Pocket را برای ساخت بازی‌های تعاملی و برنامه‌های کوچک با استفاده از هوش مصنوعی زاینده عرضه کرد. این ابزار که بر پایه فناوری Gizmo ساخته شده، فاصله بین ایده و اجرای یک…

۲ دقیقه خواندن
آموزش کاربردی

درون مسیر گذار تولیدکنندگان موسیقی از تک‌قطعه به اکوسیستم‌های هوش مصنوعی

سازندگان مستقل از تولید پراکنده موسیقی به سمت ایجاد «اکوسیستم‌های صوتی» حرکت می‌کنند. با تبدیل پرامپت‌ها به APIهای پایدار، آن‌ها اکنون برند صوتی یکسانی را در تمام کانال‌های…

۵ دقیقه خواندن۱
آموزش کاربردی

۳ لایهٔ عملیاتی برای نقشه‌برداری از رفتارهای ورزشی در محیط واقعی

شبکه ورزشی Wanjian با استقرار یک معماری سه لایه، داده‌های رفتاری کاربران را در محیط واقعی استخراج کرد. این سیستم با ترکیب رایانش لبه و بینایی ماشین، شکاف داده‌ای میان گجت‌های…

۲ دقیقه خواندن۲
آموزش کاربردی

مدل Lift با راهنمای طرح‌واره، PDFهای پژوهشی را به داده‌های ساختاریافته تبدیل

مدل Lift با استفاده از استخراج داده‌ها بر اساس طرح‌واره (Schema) و کوانتش ۴-بیتی، اسناد PDF را به فرمت JSON تبدیل می‌کند. این روش امکان استخراج دقیق داده‌های فنی را حتی روی…

۱۴ دقیقه خواندن
آموزش کاربردی

شکاف لایه‌ی صوتی؛ دلیل اصلی شکست عامل‌های صوتی در مقیاس واقعی

ابزارهای نظارتی فعلی با نادیده گرفتن خط لوله‌ی صوتی، ریشه‌ی شکست عامل‌های صوتی را پنهان می‌کنند. تحلیل‌های عملی نشان می‌دهد خطاهای بحرانی مانند قطع تماس، محصول زمان‌بندی…

۶ دقیقه خواندن۲
آموزش کاربردی

درون خط‌لوله چهارلایه؛ مهندسی ویدیوهای ویروسی با JSON و گیت‌های کیفی

تولیدکنندگان برتر ویدیو با استفاده از یک خط‌لوله چهارلایه از عامل‌های هوش مصنوعی، ویدیوهای ویروسی را مهندسی معکوس کرده و با Veo 3 بازتولید می‌کنند. کلید موفقیت این سیستم نه در…

۱۹ دقیقه خواندن