قمار ۱.۲۵ میلیارد دلاری ریویان برای شکست دادن تسلا در اتومبیلهای بدون راننده
شرکت ریویان با طراحی تراشه اختصاصی و عقد قرارداد ۱.۲۵ میلیارد دلاری با اوبر، قصد دارد از سطح ۲ به سطح ۴ اتونومی جهش کند. این استراتژی بر پایه مدلهای رانندگی بزرگ و ادغام…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
شرکت ریویان با طراحی تراشه اختصاصی و عقد قرارداد ۱.۲۵ میلیارد دلاری با اوبر، قصد دارد از سطح ۲ به سطح ۴ اتونومی جهش کند. این استراتژی بر پایه مدلهای رانندگی بزرگ و ادغام…
شرکت Suno برای کاهش دعاوی حقوقی، مدلهای نسل ششم خود را با دادههای قانونی از برچسبهای موسیقی بزرگ آموزش داد. این بهروزرسانی شامل ابزارهای ویرایش دقیق و سیستمی طبقهبندیشده…
شرکت دیپسیک مدل V4.1 Flash را جایگزین V4 Pro کرد. این مدل جدید در تمامی معیارهای کلیدی از جمله سرعت و هزینه، عملکرد بهتری دارد و هزینههای عملیاتی را برای کاربران بهشدت کاهش…
آمازون با ترکیب هوش مصنوعی و جلوههای ویژه، حرکت لب بازیگران را با صدای دوبله تطبیق میدهد. این قابلیت ابتدا در سریال Maxton Hall اجرا شده و قرار است به سایر آثار گسترش یابد.
متخصصان صنعت هشدار میدهند که افزایش مقیاس مدلها لزوماً منجر به انسانیتر شدن عاملهای صوتی نمیشود. در این حوزه، تأخیر (Latency) و مبنیسازی (Grounding) جایگزین تعداد پارامترها…
یک مدل منتشرنشده از OpenAI با استفاده از ۱۰ هزار عامل هوش مصنوعی، یکی از دشوارترین مسائل ریاضی قرن را در ۸۸ ساعت حل کرد. این موفقیت با اتهامات جدی درباره سرقت مالکیت فکری از…
Suno نسخه ۶ مدلهای خود را با همکاری Warner Music و BMG معرفی کرد. این بهروزرسانی با جایگزینی مدل واحد با یک سیستم سهلایه، کنترلهای ویرایشی دقیق و مسیرهای قانونی برای توزیع…
ابزار Voice Design شرکت Gradium امکان خلق صداهای کاملاً جدید را تنها از طریق توصیفات متنی فراهم میکند. این سیستم در آزمونهای مقایسهای، بهویژه در بازسازی لهجههای منطقهای،…
جایگزینی توصیفات مبهم با یک سند تکصفحهای از معیارهای موفقیت، از چرخههای بیپایان تولید مجدد جلوگیری میکند. این متد با تثبیت محدوده پروژه پیش از تولید اولین فریم، هزینههای…
یک API جدید با استفاده از مدلهای بینایی-زبانی، هزینهی تبدیل رسیدها به دادههای ساختاریافته را از ۱۰ سنت به ۱ هزارم دلار کاهش داده است. این رویکرد با حذف خط لولههای پیچیدهی…
پلتفرم BhaShaVox با استفاده از یک گردشکار مبتنی بر هوش مصنوعی، دورههای آنلاین را به بیش از ۱۲۵ زبان ترجمه و دوبله میکند. این سیستم با ترکیب صدای دوبلهشده و زیرنویس، موانع…
مدلهای پیشرو در تولید ویدیو بهدلیل فقدان ابزارهای تدوین و ریتمبندی، اغلب خروجیهای غیرقابلانتشاری تولید میکنند. در مقابل، پلتفرمهای تولیدی با تمرکز بر تحویل محتوای کاربردی،…