چندوجهی

شرکت Supertone مدل Supertonic 3 را معرفی کرد؛ یک سیستم تبدیل متن به گفتار (TTS) سبک که روی دستگاه اجرا می‌شود و از ۳۱ زبان پشتیبانی می‌کند. این مدل در نرمال‌سازی متون پیچیده مالی…

متا قابلیت تایپ مجازی از طریق حرکات دست را برای تمام کاربران عینک‌های Meta Ray-Ban Display عرضه کرد. این به‌روزرسانی شامل ضبط نمایشگر، مسیریابی گسترده و زیرنویس زنده برای…

گوگل دیپ‌مایند خانواده مدل‌های Gemma 4 را با وزن‌های باز عرضه کرد تا استدلال سطح پیشرو را به سخت‌افزارهای محلی بیاورد. مدل ۳۱ میلیارد پارامتری این خانواده، جهشی خیره‌کننده در…

فرمت GGUF با یکپارچه‌سازی وزن‌ها و متادیتا، استقرار مدل‌های محلی را ساده کرده است. با این حال، نبود استانداردی برای فراخوانی ابزارها و توکن‌های استدلالی، توسعه‌دهندگان را مجبور به…

شرکت Wirestock با جذب ۲۳ میلیون دلار سرمایه، مدل کسب‌وکار خود را از توزیع عکس به تأمین داده‌های آموزشی برای مدل‌های بنیادی تغییر داد. این شرکت اکنون با درآمد سالانه ۴۰ میلیون…

مدل Qwen-Image-2.0 شرکت علی‌بابا با دوبرابر کردن فشرده‌سازی VAE و تقطیر استنتاج، تعداد گام‌های تولید تصویر را از ۴۰ به ۴ کاهش داده است. این مدل با استفاده از بلوک‌های SwiGLU و یک…

مدل HERMES++ با ادغام درک سه‌بعدی صحنه و پیش‌بینی مسیر در یک شبکه واحد، دقت پیش‌بینی هندسه‌ی جاده را به‌طور چشم‌گیری افزایش داده است. این مدل برخلاف ابزارهای تخصصی پیشین، اجازه…

استارتاپ Origin Lab با جذب ۸ میلیون دلار سرمایه، بازاری را برای فروش داده‌های شبیه‌سازی‌شده‌ی بازی‌های ویدئویی به آزمایشگاه‌های هوش مصنوعی ایجاد می‌کند. این داده‌ها برای آموزش…

توسعه‌گران همراهان هوش مصنوعی با جایگزینی APIهای تک‌مدلی با درگاه‌های یکپارچه، هزینه‌های استنتاج را تا ۴۰٪ کاهش داده‌اند. این رویکرد اجازه می‌دهد شخصیت‌های دیجیتال از وابستگی به…

شرکت Luma رابط برنامه‌نویسی (API) مدل Uni-1.1 را منتشر کرد تا با کیفیت و قیمت OpenAI رقابت کند. این مدل امکان تولید تصاویر با رزولوشن بالا و ویرایش پیشرفته را برای توسعه‌دهندگان…

انویدیا با معرفی طرح VSS، جستجو و خلاصه‌سازی ویدئوها را به عامل‌های هوش مصنوعی سپرد. این فناوری اجازه می‌دهد آرشیوهای عظیم ویدئویی به‌جای هشارهای ساده، با زبان طبیعی مورد بازجویی…

گوگل با ادغام Gemini در نشانگر ماوس، نیاز به تایپ دستی دستورات را حذف کرده است. این سیستم با درک بافت بصری صفحه، تعامل با هر المان را به یک اشاره ساده تبدیل می‌کند.