موضوع
Models that natively process text+image+audio+video
۱٬۴۱۸ مقاله منتشر شده
بررسی هفت API شبیه‌سازی صدا نشان می‌دهد Fish Audio در شباهت به گوینده پیشتاز است، در حالی که ElevenLabs سخت‌گیرانه‌ترین پروتکل‌های رضایت را دارد. این تحلیل شکاف عمیقی را میان…
سیستم YOalphabet با تبدیل مستقیم هندسه بصری به ثباتی‌های سخت‌افزاری ۴ بیتی، نیاز به شبکه‌های عصبی سنگین OCR و توکن‌سازها را حذف می‌کند. این رویکرد هزینه‌های انتقال داده در…
اندازه‌گیری زمان تولید یک کلیپ تک‌به‌تک، هزینه‌های واقعی یعنی تلاش‌های تلف‌شده و جابه‌جایی بین ابزارها را نادیده می‌گیرد. رویکرد جدید بر کوتاه‌تر کردن کل چرخه «پرامپت تا کلیپ»…
یک خط لوله‌ی پایتونی جدید با مجوز MIT، فرآیند تولید مستند از پژوهش تا تدوین نهایی را خودکار می‌کند. این سیستم با استفاده از ابزارهای محلی، مشکلاتی نظیر توهم در ارجاعات و ناهماهنگی…
علی‌بابا مدل وزن‌باز Qwen-Image-2.1 را برای تولید و ویرایش دقیق تصاویر منتشر کرد. این مدل با بهینه‌سازی برای سخت‌افزارهای مصرف‌کننده، قابلیت پشتیبانی بومی از تصاویر شفاف RGBA را…
مدل جدید تنسنت با جداسازی لایه‌ی گفتگو از پردازش‌های پیچیده، تعاملات صوتی روان و قابل قطع‌شدنی را ممکن کرده است. این مدل در زمان‌بندی پاسخ‌ها پیشتاز است، اما در حال حاضر دقت اجرای…
مقایسه‌ای کاربردی از سه مدل پیشرو نشان می‌دهد که هر یک در حوزه‌ای خاص برتری دارند. برای بهینه‌سازی هزینه و کیفیت، استفاده از یک مدل پولی در کنار نسخه‌های رایگان سایر مدل‌ها…
شرکت Runway با معرفی مدل GWM-1، تولید ویدیو را از حالت «پرامپت و انتظار» به تجربه‌ای تعاملی و آنی تبدیل کرده است. این فناوری با کاهش هزینه‌های پردازشی، مسیر را برای کاربردهای…
فریم‌ورک جدید Mascot Engine با استفاده از Rive، انیمیشن‌های ایستا را با سیستم‌های مبتنی بر حالت جایگزین می‌کند. این رویکرد اجازه می‌دهد آواتارها وضعیت‌های پردازشی هوش مصنوعی مانند…
مدل Qwen3.8-Omni-Flash با عملکردی مشابه Gemini 3.8 Flash، هزینه‌های پردازش صوت و ویدیو را به شدت کاهش داده است. این مدل عامل‌محور برای اجرای وظایف پیچیده مانند تدوین خودکار ویدیو…
شرکت Shougang Mining با استقرار ۲۷ کامیون خودران در عملیات ترکیبی، بهره‌وری زمانی را ۸٪ ارتقا داد. این پیشرفت در حالی رخ می‌دهد که صنعت رباتیک میان موفقیت‌های آزمایشگاهی در…
یک محک ایمنی جدید نشان می‌دهد مدل‌های برتر هوش مصنوعی هنگام کنترل بازوهای رباتیک، به‌ندرت از اجرای دستورات خطرناک خودداری می‌کنند. GPT-6 Astra بیشترین نرخ موفقیت در انجام وظایف…