پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردیگزارش تأییدنشده

RenderEel: مدل‌های LoRA نرخ پایداری بصری در رندرینگ ویدیو را بالا بردند

استودیوی RenderEel برای حل مشکل رندرینگ کند و کیفیت ناپایدار در ویدیوهای هوش مصنوعی، از مدل‌های تخصصی LoRA استفاده می‌کند. این رویکرد به فیلمسازان اجازه می‌دهد تا کنترل بصری…

۲ دقیقه خواندن
زندگی با AI

درون مکانیزم تولید محتوای AI؛ وقتی Body Horror جایگزین آموزش می‌شود

دانشنامه‌های کودکان تولید شده با هوش مصنوعی، حاوی اشکالات بصری شدید و تصاویر unsettling، بازار آمازون را تسخیر کرده‌اند. نبود نظارت انسانی بر خروجی مدل‌های پیشرفته، محتوای آموزشی…

۲ دقیقه خواندن۱
آموزش کاربردی

چارچوب V-F-C: کاهش خطاهای اصلاحی در طراحی با تحلیل بازخوردهای بصری

یک چارچوب جدید به نام V-F-C به هوش مصنوعی اجازه می‌دهد به جای تکیه بر متون مبهم، نشانه‌های بصری مانند فلش‌ها و هایلایت‌ها را در طرح‌ها بفهمد. این متد با اتصال بازخوردها به عناصر…

۲ دقیقه خواندن۲
آموزش کاربردی

جایگزینی صفت‌های کلی با اسامی محلی؛ راهکار Afrigen برای حذف کلیشه‌های بصری در

پلتفرم Afrigen چارچوب جدیدی را معرفی کرده که با استفاده از «پرامپت‌نویسی فوق‌محلی»، پیش‌فرض‌های غربی در ویدیوهای هوش مصنوعی را حذف می‌کند. این متدولوژی اولویت را از صفت‌های مبهم…

۲ دقیقه خواندن۲

درون استراتژی Grok؛ تبدیل مدل به قطب تولید محتوای بدون سانسور

گزارش‌های داخلی از شرکت xAI حاکی از تغییر استراتژیک مدل Grok برای جذب بازار محتوای بزرگسالان است. در حالی که رقبا حفاظ‌های سختگیرانه‌ای دارند، این پلتفرم با تولید میلیاردها تصویر…

۱ دقیقه خواندن

درون معماری General Intuition؛ تبدیل میلیون‌ها ساعت گیم‌پلی به مهارت رباتیک

استارتاپ General Intuition برای آموزش استدلال فضایی ربات‌ها از میلیون‌ها ساعت داده‌های بازی‌های ویدئویی استفاده می‌کند. این شرکت با جذب ۳۲۰ میلیون دلار سرمایه، قصد دارد شکاف بین…

۸ دقیقه خواندن۳

۱۰ مقالهٔ برتر Hugging Face محوریت پژوهش AI را از چت‌بات به عامل‌های فعال تغییر

خوشه‌ای از مقالات پربازدید در Hugging Face نشان‌دهنده گذاری استراتژیک از مدل‌های پاسخ‌دهنده به عامل‌هایی است که قادر به مدل‌سازی جهان و اجرای عملیات در زمان واقعی هستند. این تحول…

۱۰ دقیقه خواندن۲

Gemini 3.5 Flash چگونه مسیر ساخت عامل‌های هوش مصنوعی را تغییر می‌دهد؟

گوگل با ادغام بومی «استفاده از کامپیوتر» در Gemini 3.5 Flash، این مدل را از یک چت‌بات به اپراتوری تبدیل کرد که می‌تواند مرورگرها و برنامه‌های دسک‌تاپ را مدیریت کند. این تغییر،…

۱ دقیقه خواندن