جمینای ۴ آرگون: خروجی یک میلیون توکنی برای گردشکارهای پیچیده سازمانی
گوگل مدل Gemini 4 Argon را برای استدلال عمیق در مهندسی نرمافزار، امنیت سایبری و امور حقوقی معرفی کرد. این مدل با افزایش سقف خروجی به یک میلیون توکن، قادر است وظایفی با افق زمانی…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
گوگل مدل Gemini 4 Argon را برای استدلال عمیق در مهندسی نرمافزار، امنیت سایبری و امور حقوقی معرفی کرد. این مدل با افزایش سقف خروجی به یک میلیون توکن، قادر است وظایفی با افق زمانی…
استارتاپ ElevenLabs با تکیه بر پذیرش گسترده عاملهای صوتی در بخش سازمانی، ارزش خود را به ۲۲ میلیارد دلار رساند. این شرکت اکنون هفتهای ۱۵ میلیون مکالمه را از طریق هوش مصنوعی…
استارتاپ Meshy با تبدیل متن و تصویر به مدلهای سهبعدی، درآمد سالانه خود را به ۱۰۰ میلیون دلار رساند. این شرکت اکنون از ابزارهای حرفهای به سمت بازیهای مصرفکننده و خلق محتوای…
عاملهای صوتی مدرن برای رسیدن به سرعت مکالمه انسانی، سه مدل STT، LLM و TTS را بهصورت موازی و جریانی اجرا میکنند. عبور از آستانه ۸۰۰ میلیثانیه، تفاوت میان یک ربات کند و یک…
پژوهشگران انویدیا و دانشگاههای MIT و آکسفورد با معرفی Physis-Lang، مدلهای ویدئویی را قادر ساختند تا به جای تقلید از پیکسلها، قوانین فیزیک را درک کنند. این سیستم باعث شد مدل…
پلتفرم Shadow سیستمی را معرفی کرد که تقویم محتوایی ۳۰ روزه را بدون نیاز به پرامپتنویسی دستی تولید و زمانبندی میکند. این ابزار با استفاده از یک آستانهٔ دقیق برای جلوگیری از…
مدل استدلالی جدید شرکت VIDRAFT با ۱۸۰ میلیارد پارامتر، برای نخستین بار توانست در بنچمارکهای سختگیرانه AIME و HMMT ۲۰۲۶ به امتیاز ۱۰۰٪ دست یابد. این مدل با بهرهگیری از مکانیزم…
یک چکلیست جامع، کتابخانهها و APIهای ضروری برای خودکارسازی خط لولههای داراییهای رسانهای را معرفی کرده است. تمرکز این ابزارها بر پردازش سریع تصاویر، حذف پسزمینه با هوش مصنوعی…
مقایسهای جامع نشان میدهد ElevenLabs در شبیهسازی احساسات و سرعت کلونینگ صدا پیشتاز است، در حالی که Azure Speech همچنان استاندارد طلایی برای انطباق سازمانی و مقیاس چندزبانه است.…
ناشران با ادغام APIهای تبدیل متن به گفتار و شبیهسازی صدا، هزینهها و زمان تولید کتابهای صوتی را به شدت کاهش دادهاند. این رویکرد امکان مقیاسپذیری بومیسازی و حفظ ثبات صدا در…
مایکروسافت مدل چندوجهی Quine را معرفی کرد که با شبیهسازی سیستمهای بیولوژیک، هزاران ترکیب شیمیایی را برای درمان سرطان پانکراس غربال میکند. این سیستم توانست در یک آخر هفته، لیستی…
شرکت MachGen با طراحی یک زیرساخت اختصاصی برای مدلهای انتشار، سرعت تولید ویدیوهای هوش مصنوعی را تا ۶ برابر افزایش داد. این دستاورد بدون استفاده از روشهای تقطیر مدل به دست آمده و…