پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

داده‌های بصری در برابر زیرنویس‌ها؛ تحول در درک ویدیو توسط AI

یک ابزار متن‌باز جدید با تبدیل ویدیوها به فریم‌های آگاه از صحنه و متون زمان‌بندی‌شده، امکان مشاهده واقعی ویدیو را برای LLMها فراهم می‌کند. این متد مشکل اتکای مدل‌های چندوجهی به…

۲ دقیقه خواندن۲
آموزش کاربردی

انویدیا با DeepStream 9.1 استقرار بینایی سه‌بعدی را عامل‌محور کرد

انویدیا نسخه ۹.۱ ابزار DeepStream را منتشر کرد که از طریق مهارت‌های عامل‌محور، اجازه می‌دهد خط‌لوله‌های پیچیده بینایی ماشین با زبان طبیعی طراحی شوند. این به‌روزرسانی مشکل قدیمی…

۵ دقیقه خواندن۲
آموزش کاربردی

«ستودیوی کامل ویدیو»؛ دستاورد جدید دستیارهای کدنویسی با OpenMontage

پروژه متن‌باز OpenMontage با تعریف یک خط لوله ساختارمند، دستیارهای کدنویسی AI را به کارگردان و تدوینگر ویدیو تبدیل می‌کند. این ابزار به‌جای تکیه بر یک پرامپت واحد، فرآیند تولید را…

۴ دقیقه خواندن