پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

سرفیس پرو ۱۲ با تراشه اسنپ‌دراگون X2 پلاس و بوم هوشمند Ink Canvas

مایکروسافت نسل جدید سرفیس پرو ۱۲ و لپ‌تاپ ۱۳ را با پردازنده‌های ARM کوالکام معرفی کرد. این به‌روزرسانی شامل اپلیکیشن Ink Canvas برای گردش‌کارهای خلاقانه و لوازم جانبی با بازخورد…

۴ دقیقه خواندن۱

LensVLM دقت مدل‌های بینایی-زبانی را در فشرده‌سازی ۱۰ برابری حفظ کرد

چارچوب LensVLM با استفاده از مکانیزم گسترش انتخابی، اجازه می‌دهد مدل‌های VLM تصاویر به‌شدت فشرده را بدون افت دقت پردازش کنند. این سیستم با شناسایی نواحی حیاتی و بزرگ‌نمایی آن‌ها،…

۲ دقیقه خواندن۱

«کنترل ابزارهای اداری با صدا»؛ قابلیت جدید ChatGPT Voice برای سازمان‌ها

اوپن‌ای‌آی قابلیت پشتیبانی از پلاگین‌ها را به حالت صوتی ChatGPT اضافه کرد تا کاربران بتوانند ابزارهای اداری خود را با دستورات گفتاری مدیریت کنند. این به‌روزرسانی همچنین قابلیت‌های…

۱ دقیقه خواندن۴

مدل Gemini 3.8 Flash چگونه استانداردهای مدل‌سازی لهجه را جابه‌جا کرد؟

گوگل مدل‌های جدید Gemini 3.8 Flash و Flash-Lite TTS را برای شبیه‌سازی دقیق صدا و طراحی شخصیت‌های صوتی معرفی کرد. این مدل‌ها با توانایی پشتیبانی از ۱۰۰ زبان، استانداردهای کیفیت صدا…

۵ دقیقه خواندن۲

یوتیوب کنترل الگوریتم توصیه‌ها را با پرامپت‌های Gemini به کاربر داد

یوتیوب قابلیت «فیدهای سفارشی» را معرفی کرد که به کاربران اجازه می‌دهد با زبان طبیعی، الگوریتم توصیه‌گر خود را طراحی کنند. این ابزار که توسط مدل Gemini قدرت گرفته، امکان ایجاد…

۳ دقیقه خواندن۱

کاهش قیمت‌های علی‌بابا چه تأثیری بر رقابت مدل‌های صوتی دارد؟

علی‌بابا با معرفی مجموعه مدل‌های Qwen-Audio-3.1، قیمت‌های سرویس‌های صوتی خود را به‌شدت کاهش داد. این اقدام هم‌زمان با برنامه‌ای برای ساخت مدلی با ۱۰ تریلیون پارامتر صورت می‌گیرد.

۱ دقیقه خواندن۱
آموزش کاربردی

اشتراک‌های پولی در برابر مدل‌های رایگان؛ تحلیل بهره‌وری تولید محتوا

تحلیلی کاربردی نشان می‌دهد ابزارهای رایگان تبدیل عکس به ویدیو، هزینه‌های پنهانی در قالب اتلاف وقت و افت کیفیت تحمیل می‌کنند. برای تولیدکنندگان محتوای حرفه‌ای، پلتفرم‌های شفاف و…

۵ دقیقه خواندن۲