پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

DeepSeek: تبدیل مستقیم فرمت‌های بصری پیچیده به داده‌های متنی

دیپ‌سیک با معرفی قابلیت Vision، امکان جست‌وجو و استخراج متن و داده‌ها را مستقیماً از تصاویر و ویدیوها فراهم کرد. این ابزار هدفش حذف تایپ دستی داده‌ها از فرمت‌های پیچیده بصری است.

۴ دقیقه خواندن۴
آموزش کاربردی

مدل‌های لورا مرز میان ویدیوهای آماتور و حرفه‌ای AI را جابه‌جا کردند

استودیوی Rendereel تأکید می‌کند که خروجی‌های باکیفیت در ویدیوهای هوش مصنوعی دیگر با ابزارهای عمومی ممکن نیست. برای عبور از سقف کیفی آماتورها، استفاده از مدل‌های لورا (LoRA) برای…

۲ دقیقه خواندن

هنر هوش مصنوعی؛ آرشیوی از میانگین خاطرات و غم‌های جمعی بشر

بررسی این دیدگاه که تولید تصویر توسط هوش مصنوعی، نه یک خلق original، بلکه بازترکیبی از تجربیات جمعی انسان است. نویسنده استدلال می‌کند که خروجی‌های مدل‌ها در واقع بازتابی از…

۲ دقیقه خواندن
آموزش کاربردی

کامی‌ب‌های کاذب؛ شکاف میان ابزارهای نظارتی و واقعیتِ عامل‌های صوتی

ابزارهای استاندارد نظارت بر مدل‌های زبانی، بخش بزرگی از تأخیرهای لایه‌ی صوتی را نادیده می‌گیرند. توسعه‌دهندگان برای رفع این مشکل باید از ابزارهای مبتنی بر OpenTelemetry استفاده…

۳ دقیقه خواندن۱

گزارش مدیریتی: تفکیک Dotmo راهکار اسنپ برای کنترل مخارج توسعه

شرکت اسنپ برای مدیریت هزینه‌های بالای تحقیق و توسعه، تیم ویدیوهای هوش مصنوعی خود را به شرکت مستقل Dotmo تبدیل کرد. اسنپ همچنان از طریق مالکیت سهام و سرمایه‌گذاری مدیر فنی خود، نفع…

۳ دقیقه خواندن۱
اخبار کوتاه روزانهگزارش تأییدنشده

General Intuition با جذب ۳۰۰ میلیون دلار مدل‌های دنیای گیمینگ را به ربات‌ها

استارت‌آپ General Intuition با ارزش‌گذاری ۲ میلیارد دلاری، در تلاش است تا با استفاده از داده‌های عظیم بازی‌های ویدئویی، عامل‌های هوش مصنوعی با درک فضایی و زمانی دقیق بسازد.

۲ دقیقه خواندن۱