پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

تغییر رنگ متن، استدلال مدل‌های بینایی-زبانی را به مسیر اشتباه می‌برد

پژوهشگران دریافتند که مدل‌های بینایی-زبانی (VLM) را می‌توان تنها با تغییر رنگ کلمات، به نتایج مثبت یا منفی سوق داد، حتی اگر متن هیچ تغییری نکند. این آسیب‌پذیری ریسک امنیتی شدیدی…

۱۰ دقیقه خواندن۳

Wispr چگونه از تبدیل صوت به متن به مدیریت جلسات هوشمند می‌رسد؟

استارتاپ Wispr با جذب ۲۸۰ میلیون دلار سرمایه، ارزش شرکت خود را به ۲ میلیارد دلار رساند. این شرکت قصد دارد از تبدیل ساده گفتار به متن فراتر رفته و به حوزه‌ی مدیریت جلسات و تعامل…

۲ دقیقه خواندن۲

گزارش مالی Higgsfield: جذب سرمایه ۵.۴ میلیارد دلاری از طریق محتوای تبلیغاتی

در حالی که Sora در یافتن مدل درآمدی پایدار شکست خورد، استارتاپ‌هایی مثل Higgsfield با تمرکز بر بازارهای تجاری و تولید محتوای تبلیغاتی به رشد سریع رسیده‌اند. این موج جدید، کاربرد…

۴ دقیقه خواندن۳
آموزش کاربردی

سامانه Nose ID با استخراج ویژگی‌های MobileNetV2 سگ‌ها را شناسایی می‌کند

یک سیستم بیومتریک جدید با نام Nose ID از مدل‌های پیش‌آموز برای شناسایی سگ‌ها از طریق الگوهای منحصربه‌فرد بینی آن‌ها استفاده می‌کند. این ابزار ترکیبی از بینایی ماشین برای شناسایی و…

۳ دقیقه خواندن۲
آموزش کاربردی

مهندسی عوامل صوتی در SUNO؛ جایگزینی تحلیل متغیرها با توصیفات شاعرانه

یک چارچوب جدید برای تولید موسیقی در SUNO، پرامپت‌ها را به‌جای متن‌های توصیفی، به صورت «بسته‌های متغیر» تعریف می‌کند. این روش با اولویت دادن به نیازهای عملکردی متن بر ترندهای روز،…

۷ دقیقه خواندن۱

ارزش‌گذاری ۲۱۹ برابری Unitree؛ لنگر قیمت برای صنعت ربات‌های انسان‌نما

عرضه اولیه Unitree در بازار STAR نخستین معیار عمومی برای ارزش‌گذاری ربات‌های انسان‌نما را ایجاد کرد. این اتفاق نشان‌دهنده گذار صنعت از دوران «روایت‌های تخیلی» به عصر مطالبه…

۵ دقیقه خواندن۲
آموزش کاربردی

مدل Qwen3-VL-32B تعادل هزینه و دقت در نویسه‌خوانی نوری را جابه‌جا کرد

بررسی جامع ۹ مدل چندوجهی نشان می‌دهد Qwen3-VL-32B بهینه‌ترین گزینه برای OCR و تشخیص اشیا است. انتخاب اشتباه مدل در این حوزه می‌تواند هزینه‌های عملیاتی ماهانه را تا ۵۰۰٪ افزایش دهد.

۷ دقیقه خواندن۱