موضوع
Models that natively process text+image+audio+video
۱٬۴۲۶ مقاله منتشر شده
بسیاری از سازمان‌ها با مشکل بازیابی داده از ویدئوهای طولانی دست‌وپنجه نرم می‌کنند. تبدیل متن به داده‌های ناوبری با استفاده از برچسب‌های زمانی، امکان دسترسی مستقیم به ثانیه‌های…
معماری خودروهای خودران از سیستم‌های ادغام سنسور ایستا به سمت سامانه‌های شناختی مبتنی بر مدل‌های زبانی بزرگ حرکت می‌کند. این تغییر مسیر، توانایی تفسیر قوانین پیچیده ترافیکی و تولید…
گزارش‌ها حاکی از آن است که Anthropic برای دستیابی به «هوش مصنوعی تجسم‌یافته»، مذاکراتی را برای خرید استارتاپ رباتیک Physical Intelligence پیش برده است. این اقدام نشان‌دهنده رقابت…
سامانه‌های نگهداری پیش‌بینانه به دلیل حجم بالای داده‌های حسگرها با هزینه‌های گزاف توکن مواجه‌اند. Oxlo.ai با جایگزینی پرداخت توکنی با هزینه ثابت به‌ازای هر درخواست، استقرار…
پلتفرم Oxlo.ai با استفاده از مدل‌های زبانی بزرگ به عنوان موتور استدلال، دستورات متنی را به مختصات دقیق برای قطعه‌بندی تصویر تبدیل می‌کند. این سامانه با مدل قیمت‌گذاری مبتنی بر…
یک محیط آزمایشی جدید مدل‌های بینایی را در بازتولید آثار هنری با ابزارهای مداد رنگی سنجید. GPT-5.6 Sol برندهٔ کیفیت شد، در حالی که Claude Fable 5 با هزینه‌ای ۲۰ برابر بیشتر،…
یک خط تولید جدید از سناریو تا زیرنویس، جایگزین تیم‌های سنتی فیلم‌برداری شده است. در این مدل، نقش سازنده از اجرای فنی به کیوریتوری و سخت‌گیری در سلیقه تغییر می‌کند.
پلتفرم Pareto با الهام از معماری سیستم‌های ویدئویی مقیاس‌بزرگ، زیرساختی چندوجهی برای مدیریت داده‌های پیچیده رباتیک ایجاد کرده است. این سامانه با تبدیل اپیزودهای آموزشی ربات به…
قابلیت جدید Claude Cowork به کاربران اجازه می‌دهد با ضبط صفحه و توضیح صوتی، گردش‌های کاری پیچیده را به مهارت‌های قابل تکرار برای هوش مصنوعی تبدیل کنند. این به‌روزرسانی نیاز به…
پلتفرم Oxlo.ai با معرفی یک استتک استنتاج ترکیب‌پذیر، امکان مسیریابی متن، تصویر و صوت را از طریق یک SDK سازگار با OpenAI فراهم کرد. این سیستم با حذف خط‌لوله‌های مجزا و جایگزینی…
اسپاتیفای قابلیت Mix را برای مشترکان پرمیوم عرضه کرد تا بتوانند انتقال‌های هوشمند و دائمی بین آهنگ‌های لیست‌های خود ایجاد کنند. این ابزار مفاهیم تخصصی دی‌جی مانند تطبیق BPM و…
مدل جدید علی‌بابا قادر است اینفوگرافیک‌های متراکم با متون خوانای ۱۰ پیکسلی و فرمول‌های پیچیده ریاضی را در یک بار تولید کند. این مدل از تولید تصاویر صرفاً زیبایی‌شناختی به سمت خلق…