پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

«کنترل‌های ساختاری حرفه‌ای»؛ ویژگی جدید Lyria 3.5 برای توسعه‌دهندگان

گوگل مدل تولید موسیقی Lyria 3.5 را در اپلیکیشن و API جمینای ادغام کرد تا کاربران بتوانند قطعات باکیفیت تا ۳ دقیقه بسازند. این به‌روزرسانی قابلیت تبدیل تصویر به موسیقی و کنترل‌های…

۴ دقیقه خواندن

عامل Gemini Spark مدیریت کتابخانه‌های گوگل فوتوز را بر عهده گرفت

گوگل با ادغام عامل Gemini Spark در سرویس گوگل فوتوز، سازماندهی آلبوم‌ها و ویرایش تصاویر را خودکار کرد. این به‌روزرسانی که فعلاً برای مشترکان سطح بالای آمریکا در دسترس است، تلاشی…

۳ دقیقه خواندن

شکست مدل‌های انتشار در بازسازی منطق بصری غذا و تحریک حس تهوع

تصاویر غذای تولیدشده توسط هوش مصنوعی اغلب به‌دلیل ضعف در درک ساختارهای نازک و فقدان دانش فیزیکی، باعث ایجاد حس تهوع می‌شوند. این نقص‌ها منجر به پدیده‌ای می‌شود که واکنش‌های…

۶ دقیقه خواندن۱
آموزش کاربردی

معماری چندوجهی؛ شرط بقای پشته‌های فناوری هوش مصنوعی تا سال ۲۰۲۶

سازمان‌ها در حال گذار از ابزارهای تک‌منظوره به سامانه‌های چندوجهی هستند که متن، تصویر، صدا و داده‌های حسگر را در یک فضای نهان مشترک ادغام می‌کنند. این چرخش معماری، درک انسان‌گونه…

۱۶ دقیقه خواندن۱
آموزش کاربردی

فشرده‌سازی پرامپت و تنظیم VAD؛ راهکار Maya برای کاهش تأخیر در عامل‌های صوتی

یک توسعه‌دهنده با بهینه‌سازی تهاجمی پرامپت‌ها و تنظیم دقیق تشخیص فعالیت صوتی، عامل صوتی Maya را برای یک کلینیک طراحی کرد. این پروژه نشان می‌دهد که فاصله بین یک دموی ساده و یک…

۶ دقیقه خواندن۱
آموزش کاربردی

گوگل قابلیت خلاصه‌ساز ویدئویی Gemini Notebook را به ۷۰ زبان گسترش داد

گوگل قابلیت تولید خلاصه‌های ویدئویی هوشمند را برای مشترکان نسخه‌های پولی Gemini در بیش از ۷۰ زبان فعال کرد. این به‌روزرسانی به تیم‌های جهانی اجازه می‌دهد پژوهش‌های متنی خود را…

۴ دقیقه خواندن۱