موضوع
Models that natively process text+image+audio+video
۱٬۴۲۵ مقاله منتشر شده
سامانه VideoAgent با استفاده از یک بهینه‌ساز منحصر‌به‌فرد، دستورات متنی را به گراف‌های اجرایی برای ابزارهای تدوین تبدیل می‌کند. این سیستم می‌تواند خطاهای ساختاری در زنجیره تولید…
یک پروژه متن‌باز با استفاده از مدل Amazon Nova 2 Sonic و رزبری‌پای ۵، اسباب‌بازی ماهی Billy Bass را به یک دستیار صوتی با تأخیر بسیار کم تبدیل کرده است. این سامانه با تحلیل لحظه‌ای…
رابط برنامه‌نویسی جدید SpeechAnalyzer اپل در تبدیل گفتار انگلیسی به متن، از مدل Whisper Small شرکت OpenAI پیشی گرفت. این ابزار با دقت بالاتر و سرعت ۳ برابر بیشتر، استنتاج محلی را…
گوگل با آوردن هوش مصنوعی Gemini به Waze، امکان گزارش حوادث جاده‌ای و جست‌وجوی مقاصد را از طریق دستورات صوتی طبیعی فراهم کرد. این به‌روزرسانی شامل حالت اختصاصی برای موتورسیکلت‌ها و…
گوگل پژوهشی مدل بنیادی SensorFM را معرفی کرد که داده‌های پراکنده حسگرهای پوشیدنی را به لایه هوشمند سلامت تبدیل می‌کند. این مدل با آموزش روی داده‌های ۵ میلیون کاربر، در تقریباً…
بسیاری از ابزارهای استخراج متن از PDF، داده‌های مختصاتی را حذف می‌کنند و باعث می‌شوند مدل‌های زبانی در ارجاع به صفحات دچار توهم شوند. برای حل این مشکل، رویکردی ترکیبی از استخراج…
ابزار Hailuo AI امکان تبدیل پرامپت‌های ساده یا تصاویر به آزمایش‌های بصری کوتاه را فراهم می‌کند. این سرویس به عنوان یک دفترچه طراحی دیجیتال برای تست اتمسفر و قلاب‌های ویدئویی پیش…
استراتژی‌های هوش مصنوعی اپل و گوگل در سال ۲۰۲۶ به دو مسیر کاملاً متضاد رفته‌اند: اولویت اپل حفظ حریم خصوصی در سطح سخت‌افزار است و گوگل بر تسلط بر داده‌های ابری و انعطاف‌پذیری…
پژوهشگران دانشگاه میشیگان مدل بنیادی NeuroVFM را توسعه دادند که بدون نیاز به برچسب‌گذاری دستی، بر روی ۵.۲۴ میلیون اسکن بالینی آموزش دیده است. این مدل در دقت تریاژ پزشکی و کاهش…
یک تکنیک جدید در مهندسی پرامپت برای GPT-Image-2، عکاسی محصول را به یک مسئله‌ی «تغییر محدود» تبدیل کرده تا پس‌زمینه‌های شلوغ حذف شوند. با تعریف محصول به عنوان یک متغیر ثابت،…
پلتفرم LoRA AI فرآیند آموزش مدل‌های انطباق کم‌رتبه را به‌طور کامل به مرورگر منتقل کرد. این ابزار نیاز به نصب CUDA یا داشتن GPUهای قدرتمند محلی را حذف کرده و زنجیره تولید تصویر و…
ابزار جدید DevPrep با جایگزینی متون استاتیک با مکالمات صوتی دوطرفه، محیط واقعی مصاحبه‌های شغلی را شبیه‌سازی می‌کند. این پلتفرم بر کاهش فاصله میان دانش تئوری و توانایی بیان شفاهی…