پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

صدای خنثی هوش مصنوعی؛ ابزاری برای شناسایی نقص‌های ریتمیک در متن

پلتفرم Yaazh با ارائه صداهای خنثی، «شبکه ایمنی ذهنی» نویسندگان را حذف می‌کند تا خطاهای ریتمیک و گسست‌های معنایی پیش از اجرا آشکار شوند. این ابزار به جای تمرکز بر اجرا، ساختار متنی…

۵ دقیقه خواندن

معماری Mamba-MoE: فعال‌سازی ۱۲ میلیارد پارامتر برای استنتاج سریع‌تر

انویدیا مدل چندوجهی Nemotron 3.5 Super VL را با معماری ترکیبی Mamba-MoE معرفی کرد که پردازش ویدیوهای باکیفیت را به شدت تسریع می‌کند. این مدل با فعال‌سازی تنها ۱۲ میلیارد پارامتر…

۱۱ دقیقه خواندن
آموزش کاربردی

ویرایش متوالی؛ راهکار کاهش خطاهای بصری در تصاویر هوش مصنوعی

برای دستیابی به کیفیت حرفه‌ای در ویرایش تصاویر، باید از پرامپت‌های پیچیده تک‌مرحله‌ای فاصله گرفت و به گردش‌کار چندمرحله‌ای روی آورد. جداسازی اصلاحات نوری، حذف اشیا و جزئیات…

۱ دقیقه خواندن
آموزش کاربردی

دستیاران صوتی ElevenLabs چگونه تور محصولات شاپیفای را تغییر می‌دهند؟

توسعه‌دهندگان شاپیفای اکنون می‌توانند با استفاده از ElevenLabs، دستیاران صوتی واقع‌گرایانه با قابلیت شبیه‌سازی صدای برند ایجاد کنند. این یکپارچه‌سازی امکان تورهای صوتی محصولات و…

۵ دقیقه خواندن

ابزار SynthID گوگل دست‌کاری تصویری ستون‌های کاخ سفید را افشا کرد

یک عکس از بازسازی کاخ سفید که توسط دونالد ترامپ منتشر شده بود، توسط ابزار تشخیص گوگل به عنوان محتوای ساخته‌شده با هوش مصنوعی شناسایی شد. تضادهای معماری و بازتاب‌های ثابت در تصویر،…

۲ دقیقه خواندن