پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

NeMo Retriever: یکپارچه‌سازی متن، جدول و نمودار برای بهبود بازیابی داده‌ها

انویدیا یک خط لوله برای تولید بازیابی‌افزا (RAG) چندوجهی معرفی کرد که متن، جداول و نمودارهای PDF را از طریق سرویس‌های NIM استخراج می‌کند. این سامانه با ترکیب مدل‌های Nemotron و…

۷ دقیقه خواندن
آموزش کاربردی

تضاد بنچمارک‌های عمومی و عملکرد واقعی؛ چرا مدل‌های برتر در تولید شکست می‌خورند؟

رتبه‌بندی‌های عمومی مدل‌های زبانی اغلب برای توسعه‌دهندگان گمراه‌کننده است، زیرا نمرات آکادمیک محدودیت‌های دنیای واقعی را پوشش نمی‌دهند. رویکرد مسیریابی وظایف (Task-specific…

۳ دقیقه خواندن۱
آموزش کاربردی

مدل Seedance 2.5 بایت‌دنس ویدیوهای تبلیغاتی ۳۰ ثانیه‌ای را یک‌سره تولید می‌کند

مدل جدید بایت‌دنس با حذف نیاز به تدوین و اتصال کلیپ‌های کوتاه، ویدیوهای ۳۰ ثانیه‌ای پیوسته تولید می‌کند. این ابزار با درک چند-مرجعی و هماهنگی با صدا، فرآیند تولید محتوای UGC را…

۱۰ دقیقه خواندن
آموزش کاربردی

پژوهش جدید: تبدیل اسکرین‌شات به داده، خطاهای بصری ویدیو را گرفت

آزمایش‌های جدید نشان می‌دهد عامل‌های هوش مصنوعی می‌توانند با تبدیل اسکرین‌شات‌ها به داده‌های اندازه‌گیری شده، ویدیوهای باکیفیت تولید کنند. این مدل‌ها بدون «دیدن» واقعی فیلم، تنها…

۶ دقیقه خواندن۱