گوگل مدیریت Gmail و Docs را به تعاملات صوتی زنده سپرد
گوگل قابلیتهای هوش مصنوعی گفتاری را برای اپلیکیشنهای بهرهوری خود فعال کرد تا کاربران بتوانند ایمیلها و اسناد خود را از طریق دستورات صوتی مدیریت کنند. این ویژگیها در ابتدا…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
گوگل قابلیتهای هوش مصنوعی گفتاری را برای اپلیکیشنهای بهرهوری خود فعال کرد تا کاربران بتوانند ایمیلها و اسناد خود را از طریق دستورات صوتی مدیریت کنند. این ویژگیها در ابتدا…
مدیریت چندین ارائهدهنده برای متن، تصویر و صوت باعث ایجاد اصطکاک عملیاتی در تیمهای مهندسی میشود. Oxlo.ai با استانداردسازی APIها و قیمتگذاری در هفت دستهبندی مدل، این پیچیدگی را…
شرکت HUMAIN مدل جدید humain-m3 را با ۴۲۸ میلیارد پارامتر و معماری MoE معرفی کرد که در استدلال و درک زبان عربی رکورد جدیدی ثبت کرده است. این مدل که توسط MiniMax توسعه یافته،…
آنتروپیک مدل Fable 5.1 را با تمرکز بر سرعت و کاهش شدید هزینههای عملیاتی عرضه کرد. این بهروزرسانی هزینهٔ کشینگ ورودی را ۷۵٪ کاهش داده و رقابت در بازار مدلها را از «قدرت مطلق» به…
شرکت Hugging Face مدل NeoMME را معرفی کرد؛ یک رمزگذار چندوجهی که بدون نیاز به برجهای بینایی مجزا، متن و تصویر را در یک ترنسفورمر واحد پردازش میکند. این مدل ضمن حفظ دقت بازیابی،…
مهندسی معکوس ابزارهای Flock Safety نشان میدهد پلیس میتواند با توصیفات متنی ساده، افراد را در شبکههای گسترده دوربینهای شهری ردیابی کند. با وجود ادعای وجود حفاظها، این سیستم…
مقایسه اشتراکهای ۲۰ دلاری آنتروپیک و اوپنایآی در سپتامبر ۲۰۲۶ نشان میدهد که کلود پرو در کدنویسی فنی و تحلیل اسناد طولانی پیشتاز است، در حالی که چتجیپیتی پلاس در تطبیقپذیری…
یک پیادهسازی متنباز جدید نشان میدهد چگونه میتوان از یادگیری تقویتی برای آموزش «سلیقه» به مدلهای زبانی کوچک استفاده کرد. این پروژه با پاداش دادن به کدهایی که آبرنگهای زیباتری…
یک ابزار متنباز جدید، فرآیند تبدیل متون Markdown به ویدیوهای MP4 همراه با روایت صوتی هوش مصنوعی را خودکار کرد. این سیستم با ادغام اسلایدها و تبدیل متن به گفتار، نیاز به تدوین…
شرکت OpenAI قصد دارد دسترسی به API مدل Sora را در ۲۴ سپتامبر ۲۰۲۶ بهطور کامل قطع کند. توسعهدهندگان باید پیش از این تاریخ، داراییهای خود را صادر کرده و به جایگزینهای دیگر…
آمازون دسترسی به سه نسخه تخصصی از مدل GPT-5.6 را برای توسعهدهندگان سیدنی و ملبورن فراهم کرد. این مدلها برای ایجاد تعادل میان قدرت استدلال، هزینه و تأخیر در محیطهای سازمانی…
یک راهنمای فنی جدید، توازن میان تأمینکنندگان مدل، تجمیعکنندگان و لایههای انتزاعی داخلی برای ویدیوهای هوش مصنوعی را تحلیل میکند. این چارچوب با هدف جلوگیری از «شکستهای خاموش» و…