موضوع
Models that natively process text+image+audio+video
۱٬۴۲۰ مقاله منتشر شده
شرکت ElevenLabs مدل Music v2 را معرفی کرد که قابلیت تغییر ژانر در میانه‌ی یک آهنگ را دارد. این مدل برخلاف رقبا از داده‌های لایسنس‌شده استفاده می‌کند تا خروجی‌ها برای استفاده تجاری…
استارتاپ Human Archive با جذب ۸.۲ میلیون دلار سرمایه، داده‌های حرکتی کارگران گیگ در هند را برای آموزش ربات‌ها جمع‌آوری می‌کند. این شرکت از سخت‌افزارهای تخصصی و مدل «تخفیف در خدمات…
یک خط لوله (Pipeline) جدید برای آموزش مدل‌های بینایی-زبانی معرفی شده است که به جای تکیه بر حدس‌های هوش مصنوعی، از اثبات‌های ریاضی برای پاداش‌دهی استفاده می‌کند. این روش با ترکیب…
نرم‌افزار Brethof Voice Pro 2.0 با استفاده از مدل‌های Qwen3-ASR و Hunyuan-MT2، امکان تبدیل و ترجمه صوت را به‌صورت کاملاً محلی فراهم کرد. این سیستم در بنچمارک‌ها از Whisper…
بایت‌دنس مدل Lance را معرفی کرد؛ یک مدل ۳ میلیارد پارامتری که تولید، ویرایش و درک تصویر و ویدیو را در یک چارچوب واحد جمع می‌کند. این مدل با بهره‌وری بالا، در بنچمارک‌های کلیدی…
گوگل در کنفرانس I/O ۲۰۲۶ اپلیکیشن **Pics** را معرفی کرد تا طراحی گرافیکی را مستقیماً به Workspace بیاورد. این ابزار با تمرکز بر ویرایش دقیق و مبتنی بر کامنت، مستقیماً با Canva و…
شرکت Stability AI مدل Stable Audio 3.0 را معرفی کرد که تولید موسیقی تا ۶ دقیقه را ممکن می‌کند. این مدل‌ها با داده‌های قانونی آموزش دیده‌اند و نسخه‌های وزن‌باز آن‌ها برای استفاده…
تیم Qwen در علی‌بابا با معرفی مدل Qwen3.5-LiveTranslate-Flash، تأخیر ترجمه هم‌زمان را به ۲.۸ ثانیه کاهش داد. این مدل با ترکیب داده‌های بصری و صوتی، کیفیت ترجمه را در محیط‌های شلوغ…
عامل‌های کدنویسی به نقطه عطف استقلال رسیده‌اند و Claude Code اکنون اکثریت مشکلات واقعی گیت‌هاب را حل می‌کند. هم‌زمان، صنعت به سمت عامل‌های «ماندگار در ابر» و مدل‌های یکپارچه برای…
گوگل در حال تبدیل نوار جست‌وجوی خود به یک مرکز عملیاتی جامع است. قابلیت‌های جدیدی مانند Gemini Spark و سبد خرید جهانی قصد دارند با اجرای مستقیم وظایف، نیاز به جابه‌جایی بین…
گوگل مدل Gemini 3.5 Flash را معرفی کرد که چهار برابر سریع‌تر و به‌شدت ارزان‌تر است. همچنین Gemini Spark به‌عنوان یک عامل ابری شبانه‌روزی، هوش مصنوعی را از یک پنجره‌ی گفتگو به یک…
گوگل کادر جست‌وجوی سنتی را با رابطی مبتنی بر Gemini 3.5 Flash جایگزین می‌کند. این به‌روزرسانی امکان ساخت مینی‌اپ‌های تعاملی و استفاده از عامل‌های نظارتی ۲۴ ساعته را فراهم می‌کند.