مدل Images 2.5 تأخیر تولید تصاویر OpenAI را ۵۰٪ کاهش داد
اوپنایآی مدل Images 2.5 را با تمرکز بر سرعت استنتاج و ویرایش دقیق چندمرحلهای معرفی کرد. این بهروزرسانی با ارائه ابزار Sketch و مدلهای تخصصی API، فاصله بین تولید ساده تصویر و…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
اوپنایآی مدل Images 2.5 را با تمرکز بر سرعت استنتاج و ویرایش دقیق چندمرحلهای معرفی کرد. این بهروزرسانی با ارائه ابزار Sketch و مدلهای تخصصی API، فاصله بین تولید ساده تصویر و…
ادوبی با یکپارچهسازی مدلهای مختلف هوش مصنوعی زاینده در محیط Premiere، امکان تولید مستقیم کلیپهای ویدئویی و صوتی را فراهم کرد. این بهروزرسانی با حذف نیاز به جابهجایی بین…
اوپنایآی مدل Astra را بهعنوان نخستین عضو خانواده GPT-6 معرفی کرد که بهجای تولید متن، بر تعامل سریع و خودمختار با نرمافزارها تمرکز دارد. این مدل در بنچمارکهای استدلال پیشرفت…
شرکت Neurologyca در حال توسعه لایهای برای درک سیگنالهای رفتاری انسان است تا عاملهای هوش مصنوعی بتوانند استرس و اعتمادبهنفس کاربر را تشخیص دهند. این شرکت معتقد است گلوگاه فعلی،…
شرکت Motional نخستین مجموعه داده باز با تمرکز بر استدلال در سناریوهای نادر (Long-tail) را منتشر کرد تا خودروهای خودران بهجای تقلید از حرکت، منطق پشت هر تصمیم را بیاموزند.
شرکت Reducto مدل r-1 را معرفی کرد که با جایگزینی خط لولههای چندمرحلهای OCR، یک معماری تکمرحلهای را جایگزین کرده است. این مدل علاوه بر کاهش ۲۰ درصدی خطاها، هزینه پردازش هر صفحه…
یک گردشکار محلی جدید امکان تبدیل گفتار به متن، ترجمه و دوبلهٔ بلادرنگ ویدیوها را روی سختافزار کاربر فراهم میکند. این سیستم با حذف سرورهای ابری، حریم خصوصی کامل را تضمین کرده و…
پلتفرم CherryShot با جایگزینی پرامپتهای متنی با نقشههای ساختاریافته (JSON)، مشکل تغییر شکل محصولات در عکاسی هوش مصنوعی را حل کرد. این سیستم با تحلیل بصری محصول، جزئیات فنی صحنه…
نسخه آلفای Dubbing v2 از ElevenLabs امکان دوبله خودکار ویدیوها به بیش از ۹۰ زبان را فراهم میکند. این ابزار با حفظ لحن گوینده و صدای پسزمینه، هزینهها و زمان بومیسازی را برای…
یک گردشکار جدید مبتنی بر مرورگر تأکید میکند که تبدیل صوت به متن باکیفیت، نیازمند بازبینی ساختاریافته و زمانگذاری است، نه اتوماسیون تککلیکی. این متد بر حفظ متادادهها برای…
پلتفرم Skillviewer با معرفی فایلهای SKILL، دانش رویهای را از مدلهای زبانی جدا کرد تا عاملهای مصاحبهگر بدون نیاز به پرامپتهای طولانی و ایستا، تخصصهای مختلف را بهصورت پویا…
مدل جدید علیبابا با ادغام ادراک فضایی و برنامهریزی مسیر، مشکل فراموشی فاجعهبار را حل کرده است. با این حال، پژوهشها نشان میدهد استدلالهای متنی مدل همواره با اقدامات عملی آن…