موضوع
Models that natively process text+image+audio+video
۱٬۴۲۵ مقاله منتشر شده
یک الگوی معماری جدید، هوش مصنوعی صوتی را به دو بخش «صفحه رسانه» برای پردازش آنی و «صفحه کسب‌وکار» برای استدلال تقسیم می‌کند. این جداسازی مانع از آن می‌شود که فراخوانی‌های کند…
تلاش یک برنامه‌نویس برای طراحی لوگویی با محدودیت‌های معنایی دقیق، شکست تمام مدل‌های تراز اول هوش مصنوعی را به نمایش گذاشت. این تجربه نشان می‌دهد که طراحی نمادین همچنان نیازمند…
ابزار Timeline Scan با تحلیل سرنخ‌های بصری و متنی، تاریخ واقعی عکس‌های اسکن‌شده را جایگزین تاریخ روز اسکن می‌کند. این سیستم با اصلاح متادیتای فایل‌ها، سازمان‌دهی خودکار خاطرات در…
پلتفرم Inithouse ابزاری به نام Voice Tables معرفی کرد که توصیفات صوتی را به جداول و اسناد کاربردی تبدیل می‌کند. هدف این ابزار حذف تنظیمات دستی پیچیده برای متخصصانی است که در…
مدل K3 با ۲.۸ تریلیون پارامتر و پنجره متنی یک میلیون توکنی معرفی شد. این مدل در زمینه هوش استدلالی به‌طور قابل‌توجهی از میانگین مدل‌های هم‌رده پیشی گرفته، اما در سرعت تولید خروجی…
هوش مصنوعی در حال گذار از پردازش تک‌بعدی به مدل‌های unified است که هم‌زمان متن، تصویر و صدا را تحلیل می‌کنند. این ادغام امکان درک عمیق‌تر بستر و استدلال‌های انسانی‌تر را در…
شرکت Roblox ابزار جدیدی به نام Build معرفی کرد که محیط‌های سه‌بعدی و بازی‌های موبایلی را تنها با دستورات متنی می‌سازد. این پلتفرم برای جلوگیری از تولید انبوه محتوای بی‌کیفیت،…
Suno اکنون به کاربران آیفون اجازه می‌دهد آهنگ‌های ۳۰ ثانیه‌ای را مستقیماً در چت‌های iMessage بسازند. برای استفاده از این قابلیت، هر دو طرف گفتگو باید اپلیکیشن Suno را نصب کرده…
استارتاپ جدید میرا موراتی مدل ۹۷۵ میلیارد پارامتری Inkling را منتشر کرد که در کارهای agentic از رقبای آمریکایی پیشی گرفته است. این مدل علیرغم برتری در وظایف عملیاتی، همچنان در دقت…
استارتاپ توکیویی Sakana AI با ادغام مدل‌های وزن‌باز نموترون در ارکستراتور Fugu، قصد دارد ثابت کند مجموعه‌ای از مدل‌های متخصص می‌توانند عملکرد مدل‌های عظیم و تک‌سازه را شبیه‌سازی…
شرکت متا با معرفی مدل بسته و تجاری Muse Spark 1.1، از راهبرد اشتراک‌گذاری وزن‌های باز فاصله گرفت. این تغییر مسیر با ایجاد یک کسب‌وکار ابری اختصاصی و طراحی تراشه‌های سفارشی برای…
پلتفرم BeatAPI با ارائه یک معماری ناهمگام، زنجیره پیچیده مدل‌های تصویر، ویدیو و لب‌خوانی را در یک نقطه اتصال واحد جایگزین کرد. این سیستم ورودی‌های صوتی و تصویری را مستقیماً به یک…