جمینای ۴ آرگون گوگل در ۱۳ محک فنی از رقبای اصلی پیشی گرفت
گوگل مدل جدید Gemini 4 Argon را معرفی کرد که در تحلیل ویدیو و کارهای دانشی برتری چشمگیری نسبت به GPT-6 و Claude 5.5 دارد. این مدل در حال حاضر تنها برای تیمهای منتخب امنیت سایبری…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
گوگل مدل جدید Gemini 4 Argon را معرفی کرد که در تحلیل ویدیو و کارهای دانشی برتری چشمگیری نسبت به GPT-6 و Claude 5.5 دارد. این مدل در حال حاضر تنها برای تیمهای منتخب امنیت سایبری…
شرکت Suno مدل بتای Speech را معرفی کرد که قادر است گفتار و موسیقی پسزمینه را بهصورت همزمان و هماهنگ تولید کند. این قابلیت مرز میان تولید موسیقی و تولید محتوای صوتی را از بین…
مایکروسافت مجموعهای از مدلهای صوتی بلادرنگ را برای حذف تأخیر در هوش مصنوعی صوتی عرضه کرد. مدل جدید MAI-Transcribe-2-Streaming به عاملهای هوشمند اجازه میدهد همزمان با صحبت…
یک چارچوب جدید برای مهندسی معکوس ویدیو، تولید لوپهای سینمایی پیشبینیپذیر را بدون نیاز به آزمون و خطاهای هزینهبر ممکن میکند. این روش با تفکیک پرامپتها به دو بخش «گراف صحنه» و…
یک توسعهدهنده مستقل ابزاری به نام Behavr را معرفی کرد که نیاز به ساخت زیرساختهای پیچیده برای ذخیره و بازیابی تصاویر در اپلیکیشنهای هوش مصنوعی را از بین میبرد. این API به…
مایکروسافت مجموعهای از مدلهای جدید صوتی را برای تبدیل دقیق گفتار به متن و تولید صدا معرفی کرد. این ابزارها با پشتیبانی از ۶۰ زبان و شناسایی گوینده عرضه شدهاند، اما هنوز قابلیت…
یک مدل تنظیمشدهی LayoutLM اکنون استخراج دادههای ساختاریافته از PDFهای مالایالام، هندی و انگلیسی را با دقت بالا و بهصورت محلی ممکن میکند. این دستاورد شکاف موجود در نویسهخوانی…
توسعهدهندگانی که از نسخههای رایگان TTS به مدلهای پولی مهاجرت میکنند، باید تأخیر، شبیهسازی صدا و مجوزهای تجاری را بر هزینه اولویت دهند. مدلهای عصبی برای عبور از سقف کیفیت…
مدل جدید Ideogram 4.5 با تمرکز بر ویرایشهای جزئی و سازگار، امکان تغییر بخشهای خاصی از تصویر را بدون تغییر در سایر پیکسلها فراهم میکند. این بهروزرسانی فاصله میان ایدهپردازی…
شرکت Tavus مدل Griffin را معرفی کرد؛ سیستمی که با شبیهسازی دقیق حرکات صورت و زبان بدن، مرز بین آواتارهای دیجیتال و انسان را میشکند. در یک مطالعه، نیمی از شرکتکنندگان نتوانستند…
شرکت کوهیر خانواده مدلهای بردار معنایی Embed 5 را با دو سطح Pro و Fast معرفی کرد که از یک فضای برداری مشترک استفاده میکنند. مدل Pro در بازیابی دادههای مالی رکورد جدیدی ثبت کرده…
گوگل قابلیت Guided Vision را به Gemini Live اضافه کرد تا با تحلیل زنده تصاویر، محیط را برای نابینایان توصیف کند. این ابزار با استفاده از دوربین گوشی، شناسایی اشیا و خواندن متون…