پژوهش جدید: شکست CLIP و BLIP در تشخیص تفاوتهای جزئی محصولات
آزمایشهای جدید نشان میدهد مدلهای هوش مصنوعی چندوجهی در شناسایی تفاوتهای کوچک بین برندها و سایز محصولات شکست میخورند. این نقص در دقت، کنترل کیفیت خودکار در تجارت الکترونیک را…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
آزمایشهای جدید نشان میدهد مدلهای هوش مصنوعی چندوجهی در شناسایی تفاوتهای کوچک بین برندها و سایز محصولات شکست میخورند. این نقص در دقت، کنترل کیفیت خودکار در تجارت الکترونیک را…
یک خطلوله (Pipeline) جدید با جایگزینی امتیازدهی کلی با روش «دیکشنری ویژگیها»، خطاهای ظریف برچسب محصول را شناسایی میکند. این سیستم با ترکیب EasyOCR برای متن و Moondream2 برای…
ابزار متنباز nb2lite-skill-kiro با ادغام مدل Gemini 3.1 Flash Lite، امکان ویرایش گامبهگام و حفظ وضعیت (Stateful) تصاویر را فراهم کرد. این سیستم با استفاده از پروتکل MCP اجازه…
سامسونگ با همکاری گوگل، جنتل مونستر و واربی پارکر، عینکهای هوشمند سطح بالایی را معرفی کرد که با عمر باتری ۹ ساعته، تجربه استفاده از هوش مصنوعی را به دنیای واقعی میآورند. این…
جاروبربای Narwal Flow 2 با ترکیب دوربینهای ۱۰۸۰p و سیستم تیکشی نوآورانه، برخورد با اشیاء را به حداقل رسانده است. این دستگاه در پاکسازی لکههای چسبناک بیرقیب است، اما قدرت مکش…
یک گردشکار جدید در هوش مصنوعی امکان تولید ورقههای چند-فیگوری (Pose Sheets) را از طریق یک تصویر مرجع فراهم میکند. این روش با ترکیب پرامپتهای ساختاریافته و تثبیت جزئیات، مشکل…
یک راهنمای فنی جدید روش ساخت خط لولهای برای تبدیل خوراکهای RSS به خلاصه صوتی و متنی در تلگرام را آموزش میدهد. این سیستم از مدلهای زبانی برای تلخیص و ابزارهای تبدیل متن به…
سامسونگ در گوشیهای Z Fold 8 و Z Flip 8، عاملهای هوش مصنوعی گوگل را برای انجام کارهای واقعی مثل رزرو سفر و رستوران فعال کرد. این همکاری با ادغام ابزار پژوهشی Gemini Notebook،…
مدل Inkling با بهرهگیری از معماری پراکنده (Sparse)، ظرفیت عظیم ۹۷۵ میلیارد پارامتری خود را مدیریت میکند اما در هر لحظه تنها بخشی کوچک از شبکه را فعال میکند. این رویکرد اجازه…
در حالی که استقرار محلی Stable Diffusion کنترل کاملی به کاربر میدهد، پیچیدگیهای فنی برای تازهکاران بازدارنده است. پلتفرم PixAI با انتقال مدلها به مرورگر، نیاز به سختافزار…
بسیاری از سازمانها با مشکل بازیابی داده از ویدئوهای طولانی دستوپنجه نرم میکنند. تبدیل متن به دادههای ناوبری با استفاده از برچسبهای زمانی، امکان دسترسی مستقیم به ثانیههای…
معماری خودروهای خودران از سیستمهای ادغام سنسور ایستا به سمت سامانههای شناختی مبتنی بر مدلهای زبانی بزرگ حرکت میکند. این تغییر مسیر، توانایی تفسیر قوانین پیچیده ترافیکی و تولید…