درون زیرساخت Preterview؛ بهینهسازی استریم برای تسریع عاملهای صوتی
یک توسعهدهنده با تمرکز بر بهینهسازی زیرساخت بهجای تغییر مدل، تأخیر پاسخدهی عامل صوتی را بیش از ۸۰٪ کاهش داد. این موفقیت از طریق استریم کردن متن به گفتار از اولین جمله و…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
یک توسعهدهنده با تمرکز بر بهینهسازی زیرساخت بهجای تغییر مدل، تأخیر پاسخدهی عامل صوتی را بیش از ۸۰٪ کاهش داد. این موفقیت از طریق استریم کردن متن به گفتار از اولین جمله و…
تلاش برای بازسازی یک محصول خاص با استفاده از متن، محدودیتهای مدلهای مولد در درک جزئیات فیزیکی را آشکار کرد. جایگزینی متن با ابزارهای تبدیل تصویر به تصویر، امکان حفظ دقیق هندسه…
مدل YuE2 با استفاده از برنامهریزی نمادین بهجای پردازش سیگنال خام، توانست در بنچمارک SongBench از Suno v5 پیشی بگیرد. این معماری امکان ویرایش دقیق نتها و همکاری عاملمحور بین…
شرکت Shadow با جایگزینی هماهنگکننده مرکزی با یک خط لوله رویدادمحور، تأخیر تولید محتوای چندوجهی را از ۴.۲ ثانیه به ۲.۶ ثانیه رساند. این معماری جدید با استفاده از سیستم SSE و…
پلتفرم صوتی Pocket FM با اتوماسیون بخش اعظم کاتالوگ خود، نرخ درآمد سالانه را به ۵۰۰ میلیون دلار رسانده است. این شرکت با کاهش ۸۰ برابری هزینههای تولید، حجم محتوا و نرخ بازگشت…
اوپنایآی با معرفی API مدل GPT-Live-1، قابلیت مکالمه دوطرفه و همزمان را برای توسعهدهندگان فراهم کرد. این مدل با کاهش شدید تأخیر و افزایش دقت در فراخوانی ابزارها، فاصله میان…
شرکت Owkin پلتفرم K Pro را برای تبدیل پیشبینیهای هوش مصنوعی به واقعیتهای پزشکی معرفی کرد. این سامانه با ادغام دادههای چندوجهی بیماران و تستهای آزمایشگاهی، فرآیند کشف دارو را…
مدل بنیادی S1 به رباتها اجازه میدهد تنها با مشاهده یک ویدیو، کارهای پیچیده را بدون نیاز به آموزش مجدد یاد بگیرند. این شرکت با تکیه بر زیرساختهای انویدیا، تنها در ۱۰ ماه پس از…
شرکت Feyn مدل MultiMatte را برای حذف پیشرفته پسزمینه معرفی کرد که با جایگزینی ماسکهای باینری با آلفا مت، جزئیات پیچیده مانند مو را با دقت بالا استخراج میکند. این مدل با تنظیم…
یک متدولوژی جدید برای تست مدلهای تصویری معرفی شده است که بهجای ارزیابیهای بصری کلی، از «تثبیتهای نامتقارن» برای شناسایی خطاهای مدل در دنبال کردن پرامپت استفاده میکند. این روش…
مدل چندوجهی جدید DeepSeek با بهینهسازی حافظه موقت (KV Cache)، هزینههای استقرار عاملهای هوش مصنوعی با بستر متنی بلند را بهشدت کاهش داده است. این مدل در بنچمارکهای کدنویسی با…
پلتفرم Gradio ابزار Workflow1111 را معرفی کرد که محیط محبوب AUTOMATIC1111 را به یک بوم گرافمحور و بدون سرور تبدیل میکند. این سیستم با انتقال محاسبات به ابر، امکان اجرای…