موضوع
Models that natively process text+image+audio+video
۱٬۳۵۶ مقاله منتشر شده
مدلهای چندوجهی از خطلولههای ساده به سمت «تلفیق میانی» حرکت میکنند تا تصاویر را بهجای شرح متنی، بهعنوان توکنهای بومی پردازش کنند. این معماری نرخ توهم را کاهش داده و استدلال…
پژوهشگر سوریا ناردی سیستمی را توسعه داده که بهجای تولید پیکسل، با نوشتن کدهای جاوااسکریپت نقاشی میکند. این رویکرد به کاربران اجازه میدهد با تغییر خطوط کد، جزئیات اثر هنری را…
شرکت Pika با معرفی مجموعهای از چهار مدل صوتی، قیمت تولید صدا و گفتار هوش مصنوعی را بهشدت کاهش داد. این اقدام تمرکز صنعت را از توانایی مدلها به سمت توجیه اقتصادی اپلیکیشنهای…
استرایپ با تصاحب OpenRouter، مسیری برای تبدیل توکنهای هوش مصنوعی به منابع اقتصادی قابل معامله ایجاد میکند. این اقدام نشان میدهد انتخاب مدل AI دیگر صرفاً یک تصمیم فنی نیست، بلکه…
ابزار AudioCraft با استفاده از هوش مصنوعی، امکان تفکیک صدای خواننده و سازها را مستقیماً در مرورگر فراهم میکند. این پلتفرم قصد دارد از یک حذفکننده سادهٔ صدای خواننده به یک…
راهنمای فنی جدیدی نشان میدهد چگونه میتوان تشخیص چیدمان، نویسهخوانی نوری و شناسایی جداول را در یک جریان کاری واحد ادغام کرد. این چارچوب به توسعهدهندگان اجازه میدهد دادههای…
یک توسعهدهنده با ترکیب سختافزار Raspberry Pi Pico و API مدل Gemini، خط لولهای برای تست خودکار سختافزار ایجاد کرده است. این سیستم بازرسی بصری نمایشگر و فشردن دکمهها را با…
استفاده از خط لولههای تولید بومیِ هوش مصنوعی، هزینه هر قسمت از درامهای کوتاه را از ۹۵۰۰ دلار به ۱۳۰۰ دلار رسانده است. این تغییر اجازه میدهد تیمهای کوچک، محتوا را ۱۲ برابر…
دانشکده کسبوکار هاروارد در یک دوره آموزشی ۶۹۹ دلاری، از آواتارهای دیجیتال برای ارائه بازخورد شخصیسازیشده به دانشجویان استفاده میکند. این سیستم با شبیهسازی نسخههای دیجیتال از…
استفاده از تطبیقهای تقریبی در سیستمهای احراز هویت، امکان ثبتنام با نامهای مستعار و حروف تک را فراهم کرده است. کارشناسان معتقدند تنها جایگزین امن برای این حفرههای سیستمی،…
ابزار رایگان Pianoify فایلهای صوتی و لینکهای یوتیوب را به نتهای پیانو و فایل MIDI تبدیل میکند. این سرویس با استفاده از یک رمزگشای بلادرنگ، صداها را مستقیماً در مرورگر به اجرای…
سیستم Neo v0.1 با جایگزینی تولید فایلهای یکپارچه با کامپایل بلوکی، خطاهای ساختاری در رابطهای کاربری را حذف کرد. این عامل دسکتاپ از یک موتور بینایی دوگانه برای مبنیسازی دقیق…