موضوع
Models that natively process text+image+audio+video
۱٬۳۵۵ مقاله منتشر شده
گوگل به بخشی از کاربران ایالات متحده اجازه داد تا از عکسهای شخصی خود در Google Photos بهعنوان زمینه مستقیم برای تولید تصویر در Gemini استفاده کنند. این تغییر، تمرکز کاربر را از…
شرکت MiniMax مدل H3 را با وزنهای باز منتشر کرد که تولید ویدیوهای 2K همراه با صدای استریو را ممکن میسازد. به دلیل بهینهسازیهای شدید در وزنها، این مدل اکنون روی کارتهای…
یک گردشکار جدید برای مدلهای تبدیل تصویر به ویدیو، از طریق برش دستی عکسها به نسبت ۹:۱۶ پیش از آپلود، مانع از افت کیفیت میشود. با جداسازی ترکیببندی از حرکت در پرامپت، کاربران…
نسخه ۲.۴ ابزار Likeness Lock با تضمین تداوم چهره و لباس در ویدیوهای تولید شده با هوش مصنوعی، نیاز به عکاسیهای مکرر فیزیکی را از بین برد. این سیستم اکنون اجازه میدهد برندهای…
اندریج کارپاتی با استفاده از مدل Claude Opus 5، توصیفات ادبی کتاب «ارباب حلقهها» را به محیطهای گرافیکی سهبعدی در مرورگر تبدیل کرد. این آزمایش نشان میدهد که هوش مصنوعی در حال…
سیستمهای بازشناسی چهره از امنیت سادهی دستگاهها به سمت احراز هویت پیچیده و خردهفروشی شخصیسازیشده حرکت میکنند. مدلهای جدید یادگیری عمیق اکنون قادرند چهرهها را حتی با وجود…
علیبابا مدل عظیم Qwen3.8-Max را با معماری ترکیب خبرهها و پنجره زمینه یک میلیون توکنی منتشر کرد. در حالی که نسخه پرچمدار نیازمند زیرساختهای ابری است، نسخه ۲۷ میلیارد پارامتری با…
پلتفرم Amap متعلق به علیبابا مدلی را معرفی کرد که میتواند محیطهای تعاملی هوش مصنوعی را به مدت ۲۴ ساعت بدون فروپاشی بصری روی یک کارت گرافیک مصرفکننده اجرا کند. این دستاورد با…
مدلهای زبانی بزرگ در حال جایگزینی چتباتهای قدیمی مبتنی بر کلمات کلیدی هستند. این تغییر اجازه میدهد دستیاران هوشمند به جای دنبال کردن مسیرهای ثابت، خودشان جریان کاری را در لحظه…
شرکت ShadowSocial با جایگزینی تنظیمات تصادفی با ساختارهای تانسوری ایستا، مشکل ناهماهنگی بصری در چهرههای مجازی را حل کرد. این روش با بهرهگیری از MLIR و LLVM، تداوم محاسباتی را در…
شرکت Onton مدل هوش مصنوعی Neurosymbolic را معرفی کرد که با استفاده از گراف دانش، در پاسخ به پرسوجوهای پیچیده تجاری، گوگل شاپینگ و آمازون را شکست میدهد. این مدل بهجای تکیه بر…
آزمایشگاه Thinking Machines مدل Inkling-Small را معرفی کرد؛ یک مدل MoE با وزنهای باز که علیرغم اندازه کوچکتر، در استدلال و کدنویسی پیچیده از نسخه پیشین خود (۹۷۵ میلیارد…