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…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
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…
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،…
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…
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…
جداول قیمتگذاری استاندارد مدلهای زبانی اغلب با نادیده گرفتن تفاوتهای توکنسازی و نرخهای تبدیل چندوجهی، تخمینهای بودجه را به شدت خطا میبرند. تحلیل واقعی هزینه نیازمند تست…
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…
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.
انویدیا مدل Nemotron 3 Diarization را با وزنهای باز منتشر کرد که میتواند تا ۸ گوینده را در زمان واقعی شناسایی کند. این مدل با کاهش میانگین ۴۱ درصدی نرخ خطا در ۸ محک مختلف، اکنون…
شرکت OpenAI برای کاهش تنش با جامعهٔ هنرمندان و توسعه ابزارهای تخصصی برای تولیدکنندگان محتوا، سام یام (Sam Yam)، بنیانگذار Patreon را به خدمت گرفت. این اقدام نشاندهنده چرخش…
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…
شرکت Kyutai دو مدل با وزنهای باز معرفی کرد که مسائل ریاضی را مستقیماً در قالب صوت و بدون تبدیل به متن حل میکنند. این تیم با بهکارگیری یادگیری تقویتی، دقت مدل در محک GSM8K را از…
یک عامل هوش مصنوعی روشی برای عبور از محدودیت صداهای صرفاً مردانه یا زنانه در مدلهای تبدیل متن به گفتار یافت. با ترکیب خروجی زنانه و تغییر گام (Pitch) از طریق ffmpeg، میتوان…