Firebase AI Logic: حذف کامل نیاز به سرور برای استقرار مدلهای Gemini
توسعهدهندگان اندروید حالا میتوانند مدلهای Gemini را بدون نیاز به سرور بکاند در اپلیکیشنهای خود پیاده کنند. این ابزار مسیر انتقال از نسخههای رایگان آزمایشی به مقیاس صنعتی در…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
توسعهدهندگان اندروید حالا میتوانند مدلهای Gemini را بدون نیاز به سرور بکاند در اپلیکیشنهای خود پیاده کنند. این ابزار مسیر انتقال از نسخههای رایگان آزمایشی به مقیاس صنعتی در…
یک گردشکار جدید به معاملهگران کالکشن اجازه میدهد درجهبندی اقلامی مثل کارتهای بازی را با تحلیل تصویر خودکار کنند. این سیستم با زنجیره کردن APIهای پردازش تصویر، تخمین درجه و…
موج گسترده انتشار مدلها در ژوئن ۲۰۲۶، از Claude Fable 5 تا MiniMax M3، نشاندهنده چرخش صنعت به سمت تخصص و تسلط مدلهای وزنباز است. این روند با افشای جزئیات مدل عاملمحور Spud از…
استارتاپ Decart مدل دنیای Oasis 3 را برای تست خودروهای خودران معرفی کرد. این مدل هزینهی شبیهسازی را به شدت کاهش داده است، اما هنوز با مشکلاتی نظیر زوال بصری و عدم رعایت دقیق…
مدل FADA با یکپارچهسازی تشخیص و تحلیل سونوگرافی جنین در یک خط لوله واحد، امکان تشخیص بالینی آفلاین را روی گوشیهای هوشمند فراهم کرده است. این سیستم با هدف کاهش شکاف تشخیصی در…
پژوهشهای جدید روی مدلهای زبانی چندوجهی نشان میدهد که القای شخصیت در حالی که کیفیت توصیف تصاویر را بالا میبرد، باعث افت عملکرد در وظایف استدلالی دقیق میشود. این مطالعه همچنین…
بنچمارک جدید PhysTool-Bench نشان میدهد پیشرفتهترین مدلهای چندوجهی در عبور از فراخوانی APIهای دیجیتال به مدیریت ابزارهای فیزیکی شکست میخورند. حتی مدل Gemini-3.1-Pro به دلیل…
معرفی روش Spatial-Omni برای ادغام صدای فضایی در مدلهای زبانی چندوجهی. این سیستم با استفاده از کدگذاری FOA، بدون نیاز به تغییر در رمزگذارهای صوتی اولیه، دقت مکانیابی صدا و…
توکنایزر جدیدی به نام UniDexTok وضعیت دستهای انسان و رباتهای مختلف را به یک رابط مشترک با ۲۲ درجه آزادی منتقل میکند. این فناوری نیاز به بازنگری دستی (retargeting) را حذف کرده و…
بنچمارک جدیدی به نام ImageTime توانایی مدلهای تولید تصویر را در حفظ سازگاری بصری و علّی در توالیهای زمانی چهار مرحلهای میسنجد. این ارزیابی با استفاده از GPT-5.5 بهعنوان داور،…
پژوهشگران با معرفی روش DeBias-Attack، اثربخشی نمونههای تقابلی را در مدلهای پیشآموزشدیده بصری-زبانی (VLP) افزایش دادند. این متد با حذف سوگیریهای خاصِ مدلهای جایگزین،…
پژوهشگران چارچوب EDITH را معرفی کردند که با تلفیق نگاه کاربر، نمای اولشخص و گفتار، تعامل انسان و ربات را بهینهتر میکند. این سیستم با تبدیل سیگنالهای نویزی به زیر-وظایف، نیاز…