درون سامانهٔ Đi đây؛ ترکیب غربالگری خودکار و نظارت تصویری بر کاربر
یک توسعهدهنده با استفاده از مدل Gemma 4 سامانه «Đi đây» را ساخت تا لیستهای جایزه و هکاتونها را بهصورت خودکار غربال کند. این سیستم برای جلوگیری از اعتیاد دیجیتال، نتایج را تنها…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
یک توسعهدهنده با استفاده از مدل Gemma 4 سامانه «Đi đây» را ساخت تا لیستهای جایزه و هکاتونها را بهصورت خودکار غربال کند. این سیستم برای جلوگیری از اعتیاد دیجیتال، نتایج را تنها…
دقت تبدیل گفتار به متن در سال ۲۰۲۵ برای زبان انگلیسی در شرایط ایدهآل به سطح انسانی رسیده است. با این حال، تفکیک گویندگان همچنان بزرگترین چالش فنی برای ابزارهای transcription است.
شرکت Perplexity دو مدل بردار معنایی چندوجهی با معماری ColBERT معرفی کرد که بازیابی اسناد را به شدت بهینه میکنند. مدل ۹ میلیاردی این مجموعه رکورد جدیدی در پرسشوپاسخ PDFهای پیچیده…
یک راهنمای فنی جدید روش انتقال سرویسهای تبدیل متن به گفتار از محیط محلی به سرورهای VPS را بررسی میکند. توسعهدهندگان با ایجاد یک Wrapper بر پایه Flask، میتوانند دسترسی دائمی و…
پلتفرم DeepOffer با بهرهگیری از تعاملات صوتی زنده، محیط پرفشار مصاحبههای مهندسی یادگیری ماشین را بازسازی میکند. این ابزار بهجای پرسشوپاسخهای متنی، بر توانایی استدلال شفاهی…
یک آزمون کور در سال ۲۰۲۶ نشان میدهد که شکاف قیمتی میان مدلهای برتر TTS بسیار عمیقتر از تفاوت کیفی آنهاست. این گزارش همچنین هشدار میدهد که توقف خدمات TTS شرکت OpenAI در ژانویه…
شرکت Mecka با جذب ۶۰ میلیون دلار سرمایه در دور سری B، زیرساختی برای ثبت حرکات انسانی و نیروهای لمسی جهت آموزش رباتها ایجاد میکند. هدف این شرکت تبدیل دادههای فیزیکی به بازاری…
افزونهٔ TokenSaver با بهینهسازی ابعاد اسکرینشاتها پیش از ارسال به مدلهای هوش مصنوعی، مصرف توکن را کاهش و حریم خصوصی توسعهدهندگان را حفظ میکند. این ابزار پردازش تصاویر را…
شرکت Sierra مدل Fleming-1 را برای شناسایی بلادرنگ صداهای مصنوعی در تماسهای تلفنی عرضه کرد. این ابزار به کسبوکارها کمک میکند تا ترافیک تماسهای ایجاد شده توسط دستیارهای شخصی AI…
پروژه متنباز HearWild با استفاده از مدلهای شناسایی صدای پرندگان بهصورت محلی، گوشیهای هوشمند را از ابزاری برای پرت کردن حواس به پلی برای کشف طبیعت تبدیل میکند. هدف این…
شرکت ShengShu Technology پیشنمایشی از مدل Vidu Q4 را منتشر کرد که تولید ویدیوهای باکیفیت ۴K را به شدت ارزانتر میکند. این مدل با تمرکز بر همگامسازی دقیق صدا و تصویر، ابزارهای…
پژوهش جدید انویدیا نشان میدهد مدلهای چندوجهی هنگام دسترسی به ابزارها، حفاظهای ایمنی خود را نادیده میگیرند. این مطالعه «رقیقشدن زمینه» و «جابهجایی تمرکز ایمنی» را عامل اصلی…