پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۴۲۵ مقاله منتشر شده

عامل خلاقی که از تبلیغات و عملکردشان یاد می‌گیرد
آموزش کاربردی

استخراج «ژنوم خلاقانه»؛ سازوکاری برای اتوماسیون تحلیل عملکرد تبلیغات

یک معماری عامل‌محور جدید با جداسازی محاسبات داده‌ای از استدلال مدل‌های زبانی، تحلیل تبلیغات را از گزارش‌های ساده به بریف‌های خلاقانه تبدیل می‌کند. این سامانه با شناسایی دقیق…

۱۴ دقیقه خواندن
طراحی ناوبری داخلی برای عصر محاسبات فضایی
آموزش کاربردی

رایانش مکانی در برابر نقشه‌های دوبعدی؛ تحولی در ناوبری داخلی

نقشه‌های داخلی سنتی به دلیل تحمیل بار ذهنی برای تبدیل تصویر دوبعدی به حرکت سه‌بعدی شکست می‌خورند. رایانش مکانی با ادغام مسیریابی زمینه‌ای و بلادرنگ در محیط فیزیکی، این شکاف شناختی…

۴ دقیقه خواندن۱
صف انطباق: آنچه اجرای کمیسیون قمار بریتانیا درباره مدل داده شما می‌گوید
آموزش کاربردی

۶ وظیفهٔ کلیدی بینایی ماشین که بازگشت سرمایهٔ صنعتی را به ۶ ماه رساند

تحلیلی جامع از انتقال بینایی ماشین از محیط‌های پژوهشی به خط تولید نشان می‌دهد که ۶ قابلیت اصلی، از تشخیص اشیا تا تخمین ژست، اکنون در صنایع تولید و سلامت بازگشت سرمایهٔ سریع ایجاد…

۱۵ دقیقه خواندن۳
کامپایلر پرامپت مبتنی بر اسلات پایتون: پایان دادن به نوشتن جملات برای تصاویر
آموزش کاربردی

معماری «اسلات» جایگزین پرامپت‌های متنی برای تولید مجموعه‌های تصویری سازگار شد

نوشتن توصیفات متنی بلند باعث نتایج پیش‌بینی‌ناپذیر می‌شود چون مدل‌ها توکن‌ها را به دستور زبان ترجیح می‌دهند. استفاده از یک کامپایلر پایتونی برای تبدیل پرامپت‌ها به داده‌های…

۷ دقیقه خواندن۱
استارتاپ تولید ویدیوی PixVerse ۴۳۹ میلیون دلار جذب سرمایه کرد؛ ارزش‌گذاری از ۲ میلیارد دلار گذشت | تک‌کرانچ

جذب سرمایه ۴۳۹ میلیون دلاری PixVerse؛ ارزش این استارتاپ ویدیو به ۲ میلیارد دلار

شرکت PixVerse با جذب ۴۳۹ میلیون دلار در مرحلهی تکمیلی سری C، ارزش بازار خود را به ۲ میلیارد دلار رساند. این استارتاپ سنگاپوری اکنون در رقابت مستقیم با غول‌هایی چون OpenAI و…

۳ دقیقه خواندن
تقطیر دانش بین‌مدالی برای احیای زبان میراثی با تأیید شبیه‌سازی معکوس
آموزش کاربردی

شبیه‌سازی معکوس؛ راهکاری برای نجات زبان‌های در حال فراموشی با هوش مصنوعی

یک چارچوب جدید با ترکیب تقطیر دانش چندوجهی و شبیه‌سازی معکوس، برای حفظ زبان‌های در معرض خطر طراحی شده است. این سیستم با بازسازی خروجی‌های مدل معلم از طریق بردارهای معنایی مدل…

۷ دقیقه خواندن۱
نسخه‌های بتا عمومی iOS 27، macOS 27 و سایر پلتفرم‌های اپل منتشر شد

هوش مصنوعی زاینده چگونه عملکرد سیری را در iOS 27 تغییر می‌دهد؟

اپل نسخه‌های بتای عمومی iOS 27 و macOS 27 را با تمرکز بر تبدیل سیری به یک دستیار هوش مصنوعی زاینده عرضه کرد. این به‌روزرسانی علاوه بر قابلیت‌های هوشمند، جهش‌های چشم‌گیری در سرعت…

۴ دقیقه خواندن
ابزار خط فرمان برای تبدیل ویدیوی آموزش گیتار یوتیوب به تبلچر PDF
آموزش کاربردی

تبدیل ویدئوهای آموزشی گیتار به PDF با ترکیب Claude Vision و ابزارهای CLI

یک ابزار متن‌باز جدید با بهره‌گیری از قابلیت‌های بینایی مدل Claude، درس‌های گیتار یوتیوب را به نت‌های PDF تبدیل می‌کند. این ابزار با شناسایی دقیق میزان‌های موسیقی و حذف فریم‌های…

۳ دقیقه خواندن