پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

«پایان گلوگاه داده»؛ راهکار World Labs برای آموزش سریع‌تر ربات‌ها

شرکت World Labs با معرفی موتور R2S2R، گلوگاه کمبود داده در رباتیک را هدف قرار داده است. این سامانه با تبدیل یک تسک واقعی به هزاران نسخهٔ مجازی، نیاز به جمع‌آوری داده‌های گران‌قیمت…

۴ دقیقه خواندن۱

چرا پیشرفته‌ترین مدل‌های هوش مصنوعی در مهارت‌های بصری پایه شکست می‌خورند؟

محک جدید Moonshot AI نشان می‌دهد حتی پیشرفته‌ترین مدل‌های چندوجهی در درک ابتدایی تصاویر ناتوان‌اند. هیچ مدلی نتوانست از مرز ۶۰ درصد صحت در مهارت‌های بصری پایه عبور کند، که ثابت…

۴ دقیقه خواندن۲
آموزش کاربردی

«به جای کلید واحد از Feature Flags استفاده کنید»؛ هشدار به توسعه‌دهندگان

استفاده از یک کلید API واحد برای محیط‌های سازگار با OpenAI، فعال بودن تمام مودالیته‌ها مانند ASR را در هر منطقه تضمین نمی‌کند. توسعه‌دهندگان برای جلوگیری از شکست در محیط عملیاتی،…

۶ دقیقه خواندن
آموزش کاربردی

BolBuddy: ساخت عامل صوتی یادگیری زبان در ۱۰ روز با تأخیر زیر ۸۰۰ میلی‌ثانیه

پروژه BolBuddy یک همراه هوش مصنوعی صوتی است که برای کاهش اضطراب صحبت کردن دانشجویان هندی طراحی شده است. این سیستم با ترکیب LiveKit و Groq، محیطی کم‌فشار برای تمرین انگلیسی فراهم…

۱۱ دقیقه خواندن۵

گوگل قابلیت یادداشت‌برداری Gemini را به جلسات حضوری آورد

گوگل قابلیت ثبت خودکار جلسات را از تماس‌های مجازی به محیط‌های فیزیکی گسترش داد. این ویژگی با استفاده از Gemini، خلاصه‌های ساختاریافته و متن کامل گفتگوها را مستقیماً در گوگل داکس…

۲ دقیقه خواندن۳