
تلفیق متن، تصویر و صدا در مدلهای چندوجهی؛ تغییری در استراتژی توسعهدهندگان
هوش مصنوعی در حال گذار از پردازش تکبعدی به مدلهای unified است که همزمان متن، تصویر و صدا را تحلیل میکنند. این ادغام امکان درک عمیقتر بستر و استدلالهای انسانیتر را در…
موضوع
Models that natively process text+image+audio+video
۱٬۳۴۸ مقاله منتشر شده

هوش مصنوعی در حال گذار از پردازش تکبعدی به مدلهای unified است که همزمان متن، تصویر و صدا را تحلیل میکنند. این ادغام امکان درک عمیقتر بستر و استدلالهای انسانیتر را در…

شرکت Roblox ابزار جدیدی به نام Build معرفی کرد که محیطهای سهبعدی و بازیهای موبایلی را تنها با دستورات متنی میسازد. این پلتفرم برای جلوگیری از تولید انبوه محتوای بیکیفیت،…

Suno اکنون به کاربران آیفون اجازه میدهد آهنگهای ۳۰ ثانیهای را مستقیماً در چتهای iMessage بسازند. برای استفاده از این قابلیت، هر دو طرف گفتگو باید اپلیکیشن Suno را نصب کرده…

استارتاپ جدید میرا موراتی مدل ۹۷۵ میلیارد پارامتری Inkling را منتشر کرد که در کارهای agentic از رقبای آمریکایی پیشی گرفته است. این مدل علیرغم برتری در وظایف عملیاتی، همچنان در دقت…

استارتاپ توکیویی Sakana AI با ادغام مدلهای وزنباز نموترون در ارکستراتور Fugu، قصد دارد ثابت کند مجموعهای از مدلهای متخصص میتوانند عملکرد مدلهای عظیم و تکسازه را شبیهسازی…

شرکت متا با معرفی مدل بسته و تجاری Muse Spark 1.1، از راهبرد اشتراکگذاری وزنهای باز فاصله گرفت. این تغییر مسیر با ایجاد یک کسبوکار ابری اختصاصی و طراحی تراشههای سفارشی برای…

پلتفرم BeatAPI با ارائه یک معماری ناهمگام، زنجیره پیچیده مدلهای تصویر، ویدیو و لبخوانی را در یک نقطه اتصال واحد جایگزین کرد. این سیستم ورودیهای صوتی و تصویری را مستقیماً به یک…

مدل تخصصی DharmaOCR با تمرکز بر زبان پرتغالی برزنبل، در بنچمارکهای استخراج متن از مدلهای چندزبانه و جدیدتری مانند Mistral OCR4 پیشی گرفت. این موفقیت حاصل ترکیب تنظیم دقیق…

کیت توسعه Patter SDK ابزاری برای شبیهسازی، آزمایش و استقرار عاملهای صوتی هوش مصنوعی با تمرکز بر مدیریت تأخیر و حفاظهای ایمنی است. این چارچوب به توسعهدهندگان اجازه میدهد پیش…

ابزار متنباز Voicebox با بهرهگیری از مدلهای Whisper و Qwen، گفتار را به متن تبدیل کرده و بر اساس بستر برنامه فعال، فرمت آن را اصلاح میکند. این سیستم با استفاده از Cloudflare…

اپل قصد دارد در iOS 27 امکان مرور و پخش ویدیو را بهصورت بومی به CarPlay اضافه کند. این قابلیت بهدلیل مسائل ایمنی تنها هنگام توقف کامل خودرو فعال میشود و محدودیتهای سختافزاری…

شرکت xAI متعلق به ایلان ماسک برای نخستین بار علیه یکی از کاربران خود به دلیل دور زدن حفاظهای ایمنی برای تولید محتوای سوءاستفاده جنسی از کودکان شکایت کرد. این اقدام حقوقی…