موضوع
Models that natively process text+image+audio+video
۸۷۸ مقاله منتشر شده
بخش Shift از استارتاپ Microagi با ارائه خدمات رایگان خانگی، دادههای ویدئویی اولشخص متخصصان را برای آموزش رباتهای انساننما جمعآوری میکند. این اقدام برای پر کردن شکاف عظیم…
یک گردشکار جدید در ویرایش تصاویر، با ترکیب تشخیص خودکار و ماسکگذاری دقیق کاربر، «عدم قطعیت هوش مصنوعی» را به حداقل میرساند. این سامانه بهجای بازسازی کامل تصویر، بر ترمیم…
یک توسعهدهنده مستقل سیستمی متنباز ساخته است که بهجای ارسال اعداد به مدلهای زبانی، از تحلیل بصری نمودارهای 4K و اعتبارسنجی ریاضی استفاده میکند. این پروژه نشان میدهد که یک خط…
سرویس طنز LLM2HUMAN ادعا میکند با دریافت ۲۰ دلار، مدلهای زبانی را به انسانهای فیزیکی تبدیل میکند. این پروژه با نگاهی انتقادی، شکاف میان هوش دیجیتال و دشواریهای ملموس زندگی…
کیفیت بالای صدا نمیتواند نقص آواتارهای هوش مصنوعی را بپوشاند اگر تأخیر سیستم باعث سکوتهای طولانی شود. توسعهدهندگان باید بهجای تمرکز بر انتخاب ارائهدهنده TTS، اولویت خود را بر…
تغییری بنیادین در معماری هوش مصنوعی، «حدس زدن» را با استدلال آگاهانه جایگزین کرد. مدلهای جدید سال ۲۰۲۶ با ترکیب شبکههای عصبی و منطق نمادین، مسائل ریاضی سطح مسابقات و علوم دکتری…
گوگل مدل تولید موسیقی خود را به نسخه Lyria 3.5 بهروزرسانی کرد و قابلیتی برای ویرایش بخشهای خاص آهنگ بدون نیاز به تولید مجدد کل اثر معرفی کرد. این مدل اکنون کنترل دقیقتری روی…
اپلیکیشن Echologue یادداشتهای صوتی پراکنده را به یک پایگاه داده ساختاریافته از خاطرات تبدیل میکند. این ابزار با اولویت دادن به ذخیرهسازی محلی، حریم خصوصی کاربر را در بازخوانی…
اوپنایآی دو مدل جدید بازشناسی گفتار به نامهای GPT Transcribe و GPT Live Transcribe را با کاهش ۲۵ درصدی قیمت عرضه کرد. با این حال، این مدلها در دقت تبدیل صوت به متن همچنان از…
یک آزمون فنی نشان میدهد موتور گفتار Azure قادر است کوچکترین لغزشهای صوتی و خطاهای آهنگین در لهجههای خارجی را شناسایی کند. این ابزار با تفکیک دقیق جفتهای کمینه در زبانهای…
شرکت Moonshot AI با جذب سرمایهای فراتر از هدف اولیه خود، ارزش بازارش را به ۳۵ میلیارد دلار رساند. این شرکت پس از عرضه مدل Kimi K3، اکنون برای عرضه اولیه سهام (IPO) در هنگکنگ تا…
پکیج Prism PHP با استفاده از یک ساختار ماژولار، مدلهای GLM شرکت Z.AI را به اکوسیستم خود اضافه کرد. این یکپارچهسازی شامل قابلیتهای تولید متن، فراخوانی ابزار و ورودیهای چندوجهی…