پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

OpenAI: مدل Astra پیشرفت چشمگیری در بنچمارک‌های استدلال داشت

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…

۵ دقیقه خواندن

«فراتر از پرامپت»؛ راهکار Neurologyca برای درک نیت‌های ناگفته کاربر

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،…

۸ دقیقه خواندن۲
آموزش کاربردی

پردازش محلی در برابر ابر؛ کاهش هزینه‌های اشتراکی در دوبلهٔ ویدیو

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…

۳ دقیقه خواندن۲
آموزش کاربردی

درون سیستم CherryShot؛ حذف متون توصیفی برای جلوگیری از تغییر شکل کالا

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…

۲ دقیقه خواندن۲
آموزش کاربردی

Skillviewer: پیاده‌سازی فایل‌های SKILL برای بهینه‌سازی عامل‌های صوتی

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…

۹ دقیقه خواندن

شکاف استدلال در Qwen-Drive 1.0؛ تضاد میان توصیف صحنه و مانور رانندگی

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…

۵ دقیقه خواندن۱