پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

تأکیدات سخت‌گیرانه در برابر بازبینی انسانی برای 검증 متون ماشین‌خوان

بازبینی بصری تصاویر تولیدشده توسط هوش مصنوعی برای نرم‌افزارهای تجاری کافی نیست. این راهنما یک خط لوله ماشین‌خوان را معرفی می‌کند که با استفاده از OCR و تأکیدات سخت‌گیرانه، صحت متن…

۴ دقیقه خواندن۲
آموزش کاربردی

«تأییدات انسانی»؛ راهکار Cargo Release برای جلوگیری از مجوزهای جعلی

یک معماری جدید در صنعت حمل‌ونقل دریایی با جداسازی وظایف هماهنگی از قدرت تصمیم‌گیری قانونی، مانع از توهمات عامل‌های هوش مصنوعی در صدور مجوزهای ترخیص کالا شد. این سیستم با استفاده…

۹ دقیقه خواندن
زندگی با AIتأییدنشده · منبع منفرد

درون تجربهٔ شخصی‌سازی Grok Bot برای نقد ویدئوهای تمرینی

یک کاربر با تبدیل Grok Bot به یک مربی تناسب اندام شخصی، توانایی این عامل در تحلیل تجهیزات ورزشی از روی عکس و نقد ویدئوهای تمرینی را به نمایش گذاشت. این تجربه نشان‌دهنده گذار از…

۶ دقیقه خواندن۲
آموزش کاربردی

DeepSeek v4 چگونه محدودیت‌های پردازش متون عظیم در تصاویر را می‌شکند؟

دیپ‌سیک یک مدل آزمایشی چندوجهی با پنجره متنی عظیم یک میلیون توکنی معرفی کرد که برای سخت‌افزارهای NVIDIA DGX Sparks بهینه شده است. این مدل پردازش بومی تصاویر و رمزگشایی گمانه‌زنانه…

۴ دقیقه خواندن۱

ارزش‌گذاری ۲۵۰ میلیون دلاری Clipto برای تبدیل ترابایت‌های ویدیو به پایگاه دانش

استارتاپ Clipto با جذب ۱۵ میلیون دلار سرمایه، ابزاری برای جست‌وجوی معنایی در فایل‌های محلی ویدیو و صوت ارائه داده است. این پلتفرم برخلاف ابزارهای ابری، داده‌ها را به‌صورت محلی…

۴ دقیقه خواندن۱

درون سازوکار Spoken برای تخصیص هوشمند صدا به شخصیت‌های داستانی

پلتفرم Spoken با استفاده از یک سیستم هوش مصنوعی عامل‌محور، نسخه‌های متنی کتاب‌ها را به آثار صوتی با چندین گوینده تبدیل می‌کند. این سیستم با تحلیل ساختار روایت، صداهای متمایزی را…

۱۰ دقیقه خواندن۴