چندوجهی

آزمایشگاه Induction Labs با معرفی مدل Photon-1 ثابت کرد که هوش مصنوعی می‌تواند بدون نیاز به برچسب‌های متنی، تنها از طریق پیش‌بینی فریم‌های ویدئویی، کار با رایانه را بیاموزد. این…

خط‌لوله‌های مدرن تبدیل گفتار به متن از سیستم‌های تکه‌تکه به شبکه‌های عصبی سرتاسری تغییر مسیر داده‌اند. این مدل‌ها با ترکیب پردازش سیگنال و رمزگشایی احتمالی، نویز و لهجه‌ها را در…

توسعه‌دهندگان اپلیکیشن‌های آموزش زبان از توکن‌محوری فاصله گرفته و به سمت معماری‌های چندوجهی می‌روند. Oxlo.ai با تغییر مدل قیمت‌گذاری از توکن به درخواست، مشکل افزایش هزینه‌ها در…

اوون سانگ، توسعه‌دهنده مستقل، مدل Inflect-Micro-v2 را منتشر کرد که با حجمی بسیار کم (۳۷.۵ مگابایت)، کیفیت صدای طبیعی را به صورت محلی و بدون نیاز به اینترنت ارائه می‌دهد. این سیستم…

پلتفرم Oxlo.ai با معرفی هزینه ثابت به‌ازای هر درخواست، مدل توکن‌محور در قیمت‌گذاری هوش مصنوعی را به چالش کشید. این رویکرد جریمه مالی توسعه‌دهندگانی که از پرامپت‌های طولانی و…

گروه پژوهشی Reactor با معرفی Open Dreamer، معماری و جزئیات آموزشی مدل‌های جهانی Dreamer 4 را به‌صورت متن‌باز منتشر کرد. این پروژه با تمرکز بر پایداری آموزش در مقیاس بالا، دموهای…

ابزار متن‌باز crv با پیاده‌سازی ردیابی دقیق زمان‌بندی‌ها (PTS)، مشکل «لغزش زمانی» در تحلیل ویدیو توسط مدل‌های زبانی را حل کرد. این به‌روزرسانی باعث می‌شود شواهد بصری ارائه شده…

مدل GraphVid با جایگزینی مسیرهای پیکسلی با گراف‌های تعاملی، کنترل دقیق روی حرکت اشیا در ویدیوها را ممکن کرده است. این رویکرد باعث بهبود چشمگیر ثبات زمانی و کیفیت بصری در تولید…

مدل‌های پیشرفته هوش مصنوعی از تبدیل داده‌های تصویری و صوتی به متن فاصله گرفته‌اند و اکنون همه را در یک فضای برداری واحد پردازش می‌کنند. این تغییر معماری، تأخیر و خطای تحلیل…

پلتفرم Lingopal با کاهش تأخیر «شیشه به شیشه» به زیر ۱۰ ثانیه، استانداردهای بومی‌سازی پخش‌های زنده را تغییر داد. این ابزار در کنار سیستم‌های سئو، زنجیرهٔ توزیع محتوای چندزبانه را…

مدل جدید علی‌بابا، Qwen Image 3.0 Pro، اکنون از طریق API رایگان ofox در دسترس است. این مدل استانداردهای جدیدی در تایپوگرافی و رندر متون چینی ایجاد کرده، اما در داده‌های متوالی مثل…

شرکت TwelveLabs با معرفی زیرساخت Jockey، رویکرد سنتی «مجموعه‌ای از فریم‌ها» را در تحلیل ویدیو به چالش می‌کشد. این سیستم با ایجاد یک لایه حافظه اختصاصی، ویدیو را به‌جای تصاویر…