
Baidu با مکانیزم پنجرهٔ لغزان مصرف حافظه در OCR را به مقدار ثابت رساند
سامانه Unlimited OCR با شبیهسازی فرآیند فراموشی انسانی، محدودیت حافظه در پردازش اسناد طولانی را از بین برد. این مدل با ثابت نگه داشتن حجم KV Cache، تأخیری یکسان و توان عملیاتی…
موضوع
Models that natively process text+image+audio+video
۱٬۴۲۵ مقاله منتشر شده

سامانه Unlimited OCR با شبیهسازی فرآیند فراموشی انسانی، محدودیت حافظه در پردازش اسناد طولانی را از بین برد. این مدل با ثابت نگه داشتن حجم KV Cache، تأخیری یکسان و توان عملیاتی…

بایتدنس ابزار تولید ویدیو Seedance را علیرغم مخالفت رسمی استودیوها به قلب صنعت سینما وارد کرده است. در حالی که MPA خواستار ممنوعیت این ابزار است، سازندگان فیلم بهطور مخفیانه از…

نسل جدیدی از مدلهای با وزنهای باز با تفکیک استخراج داده از تجزیوتحلیل سند، چالش تبدیل PDF به JSON را حل کردهاند. مدل Lift با کسب رکورد جدید در دقت فیلدها، امکان ساختارمند کردن…

یک فرمت جدید برای استریم صحنههای سهبعدی پویا معرفی شده که حجم فایلها را تا ۵۸ برابر کاهش میدهد. این فناوری امکان پخش باکیفیت صحنههای 4D را از طریق درخواستهای HTTP Range و…

اپل با معرفی iOS 27، دستیار سیری را به یک مدل زبانی بزرگ تبدیل میکند، اما دسترسی به این قابلیتها را به دستگاههای دارای Apple Intelligence محدود کرده است. کاربران آیفون ۱۵ پرو و…

تسلا سرویس Robotaxi را به میامی گسترش داد و اکنون در پنج شهر آمریکا فعالیت میکند. این حرکت تجاری همزمان با پیشرفتهای NVIDIA در شبیهسازی محیطی و معرفی استانداردهای اخلاقی…

مقایسهای در سال ۲۰۲۶ نشان میدهد Midjourney همچنان در کیفیت بصری برای طراحان پیشتا است، اما DALL-E 3 در دقت اجرای پرامپت و ادغام با گردش کار ChatGPT برنده شده است.

انویدیا با معرفی چارچوب ASPIRE، امکان نوشتن، عیبیابی و ذخیرهسازی برنامههای کنترلی را برای روباتها فراهم کرد. این سیستم با تبدیل شکستها به مهارتهای قابل بازگشت، نرخ موفقیت در…

یک توسعهدهنده ابزاری مبتنی بر هوش مصنوعی برای شناسایی سریع حشرات و عنکبوتها تنها از طریق یک عکس طراحی کرده است. این پروژه نشان میدهد که موفقیت یک محصول AI در گرو تعادل میان دقت…

یک تکنیک جدید در مهندسی پرامپت به ChatGPT اجازه میدهد تا با تحلیل سلفیها، گزارشهای بصری دقیقی از «برداشت اول» افراد تولید کند. این فرآیند عکسهای ساده را به داشبوردهای تحلیلی…

پراکسی محلی جدیدی به نام pxpipe با تبدیل متون حجیم به تصاویر، هزینههای ورودی مدلهای Claude را بهشدت کاهش میدهد. این روش از هزینه ثابت توکنهای تصویری برای انتقال حجم زیادی از…

شرکت Midjourney از پیشنمونه اسکنر سونوگرافی خود رونمایی کرد که از قطعات دستساز و سختافزارهای مصرفی ساخته شده است. با وجود نمایشهای تبلیغاتی، این شرکت هنوز هیچ مدرک علمی برای…