موضوع
Models that natively process text+image+audio+video
۱٬۴۱۸ مقاله منتشر شده
مدل HappyHorse 1.0 با جایگزینی مدل‌های انتشار با یک ترنسفورمر یکپارچه، ویدیوهای 1080p و صدای هماهنگ را در یک مرحله تولید می‌کند. این معماری جدید باعث شده تا این ابزار در…
آنتروپیک مدل Claude Opus 4.7 را با تمرکز بر کنترل دقیق عامل‌های خودکار و بینایی با رزولوشن بالا معرفی کرد. با وجود ثابت ماندن قیمت هر توکن، تغییر در توکنایزر باعث افزایش هزینه‌های…
استارتاپ Wispr Flow با عرضه مدل صوتی مخصوص «هینگلیش» و کاهش شدید قیمت‌ها، رشد ماهانه ۱۰۰ درصدی را در هند تجربه کرده است. این شرکت در تلاش است تا با پذیرش حجم بالای کاربر در برابر…
شرکت Anodos با طراحی یک خط لوله صوتی تخصصی، مشکل ثبت یادداشت در محیط‌های پرصدا را حل کرد. آن‌ها با اولویت دادن به سرعت پاسخ‌دهی و لایه‌های اصلاحی کوچک به جای مدل‌های غول‌پیکر،…
اپل در حال آزمایش ایرپادهایی با دوربین‌های داخلی است که به جای عکاسی، به Siri قدرت بینایی می‌بخشند. این گجت‌ها که احتمالاً در سپتامبر ۲۰۲۶ عرضه می‌شوند، نقطه عطفی در تبدیل هوش…
اپل در حال آزمایش ایرپادهایی با دوربین‌های کم‌کیفیت است تا هوش مصنوعی را با محیط اطراف شما هماهنگ کند. این تغییر، هدفش ثبت تصویر نیست، بلکه تبدیل کردن سیری به دستیاری است که…
مدل جدید Driver-WM با تحلیل ترافیک محیطی، وضعیت احساسی و رفتاری راننده را پیش‌بینی می‌کند. این فناوری به سیستم‌های خودران L2/L3 کمک می‌کند تا در لحظات حساس انتقال کنترل، واکنش‌های…
پژوهشگران با معرفی روش DP-FM، مشکل اعوجاج‌های هندسی در تطبیق مدل‌های بینایی-زبانی را حل کردند. این متد با جداسازی دینامیک‌های شعاعی و زاویه‌ای، رکورد جدیدی در ۱۱ بنچمارک مختلف ثبت…
مدل DART با ترکیب بینایی و زبان، بازرسی کابل‌های صنعتی را خودکار کرده و دقت تشخیص آسیب را به شکل چشم‌گیری افزایش داده است. این سیستم بدون نیاز به تنظیم دقیق، شدت آسیب را تخمین زده…
پژوهشگران با معرفی مدل FairEnc توانستند سوگیری‌های نژادی و جنسیتی را از سیستم‌های تشخیص بیماری گلوکوم حذف کنند. این مدل چندوجهی با استفاده از داده‌های مصنوعی و یادگیری تقابلی، دقت…
انسان‌ها در شناسایی جعل‌های عمیق پیشرفته، به‌ویژه مدل‌های ترکیبی صوتی-تصویری، به‌شدت ناتوان هستند. این مطالعه نشان می‌دهد که تکیه بر شهود انسانی برای تشخیص محتوای دست‌کاری‌شده…
پژوهشگران با معرفی FaithfulFaces، مشکل تغییر ناگهانی چهره در ویدیوهای تولید شده توسط هوش مصنوعی را حل کردند. این سیستم با استفاده از بردار معنایی زوایای اویلر، ثبات چهره را حتی در…