پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

مدل Tsubaki.3 پرامپت‌ها را مانند توابع برنامه‌نویسی پردازش می‌کند

بررسی فنی مدل Tsubaki.3 نشان می‌دهد که جای خالی برخی جزئیات در پرامپت، باعث فعال شدن کلیشه‌های پیش‌فرض مدل می‌شود. کاربران با جایگزینی دستورات کلی با مقادیر دقیق و صریح، می‌توانند…

۴ دقیقه خواندن۱

StepFun: کاهش هزینه‌های عملیاتی در مهندسی با مدل ۶۰۰ میلیارد پارامتری

شرکت StepFun مدل Step 5 Preview را با معماری ترکیب خبره‌ها و ۶۰۰ میلیارد پارامتر معرفی کرد. این مدل با تمرکز بر کاهش هزینه‌های عملیاتی در کارهای تخصصی مهندسی و مالی، پنجره متنی یک…

۴ دقیقه خواندن
آموزش کاربردی

هزینهٔ پنهان تولید ویدیو با AI؛ چرا سرعت رندر یک معیار فریبنده است؟

اندازه‌گیری زمان تولید یک کلیپ تک‌به‌تک، هزینه‌های واقعی یعنی تلاش‌های تلف‌شده و جابه‌جایی بین ابزارها را نادیده می‌گیرد. رویکرد جدید بر کوتاه‌تر کردن کل چرخه «پرامپت تا کلیپ»…

۶ دقیقه خواندن۲

علی‌بابا: مدل Qwen-Image-2.1 با ۷ میلیارد پارامتر مدل‌های بسته را شکست

علی‌بابا مدل وزن‌باز Qwen-Image-2.1 را برای تولید و ویرایش دقیق تصاویر منتشر کرد. این مدل با بهینه‌سازی برای سخت‌افزارهای مصرف‌کننده، قابلیت پشتیبانی بومی از تصاویر شفاف RGBA را…

۱ دقیقه خواندن۲

معماری دوگانه Gander: تفکیک استدلال از گفتگو برای حذف وقفه در AI صوتی

مدل جدید تنسنت با جداسازی لایه‌ی گفتگو از پردازش‌های پیچیده، تعاملات صوتی روان و قابل قطع‌شدنی را ممکن کرده است. این مدل در زمان‌بندی پاسخ‌ها پیشتاز است، اما در حال حاضر دقت اجرای…

۴ دقیقه خواندن۱