پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

آموزش کاربردی

چطور NeMo Automodel محدودیت‌های مقیاس‌پذیری در مدل‌های پخش را برطرف می‌کند؟

کتابخانه NeMo Automodel با ادغام در Diffusers، امکان تنظیم دقیق مدل‌های عظیم تصویر و ویدیو را بدون نیاز به تبدیل فرمت وزن‌ها فراهم کرد. این ابزار آموزش توزیع‌شده در مقیاس صنعتی را…

۸ دقیقه خواندن۱

«قدرت خالص»؛ تغییر استراتژی رقابتی چین در برابر مدل‌های آمریکایی

آزمایشگاه چینی Moonshot AI مدل Kimi K3 را با ۲.۸ تریلیون پارامتر معرفی کرد که در کدنویسی و کارهای پیچیده از رقبای آمریکایی پیشی می‌گیرد. این مدل با قیمت‌گذاری جدید، گران‌ترین…

۵ دقیقه خواندن۳

کاربردی‌گرایی در برابر تزیینات هوش مصنوعی در استراتژی جدید iOS ۲۷

اپل با انتشار بتای عمومی iOS 27، سیری را از یک فرمان‌پذیر صوتی ساده به دستیاری تبدیل کرد که بستر و زمینه کاربر را می‌فهمد. این به‌روزرسانی به‌جای تمرکز بر نمایش‌های زرق‌وبرق…

۹ دقیقه خواندن۱

چگونه نتفلیکس بدون کاهش بودجه، ۳۰۰ اثر را با هوش مصنوعی بهینه‌کرد؟

نتفلیکس در سال ۲۰۲۶ هوش مصنوعی زاینده را در حدود ۳۰۰ تولید خود ادغام کرده است. این شرکت عمدتاً روی بهینه‌سازی مراحل پس‌تولید تمرکز کرده و بدون کاهش بودجه کلی محتوا، به صرفه‌جویی…

۱ دقیقه خواندن

هزینه‌ی پنهان پرگویی؛ چرا قیمت ارزان توکن‌های Kimi K3 گمراه‌کننده است؟

مدل Kimi K3 با ۲.۸ تریلیون پارامتر و پنجره زمینه یک میلیون توکنی معرفی شد، اما تمایل شدید به تولید پاسخ‌های طولانی (Verbosity) ممکن است هزینه‌ی نهایی هر تسک را دو برابر کند. در…

۸ دقیقه خواندن

حریم خصوصی در برابر نظارت؛ تقابل فعالان لندن با سخت‌افزار پوشیدنی متا

گروهی از فعالان حریم خصوصی با استفاده از تبلیغات شهری در لندن، عینک‌های هوشمند متا را به ابزاری برای نظارت دیس‌توپیک تشبیه کردند. این کمپین بر ثبت مداوم صدا و تصویر بدون رضایت…

۲ دقیقه خواندن
آموزش کاربردی

درون الگوی Audio Gateway؛ تفکیک رسانه از کسب‌وکار برای روانی صدا

یک الگوی معماری جدید، هوش مصنوعی صوتی را به دو بخش «صفحه رسانه» برای پردازش آنی و «صفحه کسب‌وکار» برای استدلال تقسیم می‌کند. این جداسازی مانع از آن می‌شود که فراخوانی‌های کند…

۱۶ دقیقه خواندن