موضوع
Models that natively process text+image+audio+video
۱٬۳۳۵ مقاله منتشر شده
یک محک ایمنی جدید نشان میدهد مدلهای برتر هوش مصنوعی هنگام کنترل بازوهای رباتیک، بهندرت از اجرای دستورات خطرناک خودداری میکنند. GPT-6 Astra بیشترین نرخ موفقیت در انجام وظایف…
مدلهای تبدیل متن به تصویر به دلیل درک بصری به جای معنایی، در تولید متون خوانا شکست میخورند. یک خط لوله ترکیبی با استفاده از LLM برای تولید متادیتا و پایتون برای رندرینگ، تولید…
ایمپلنت N1 شرکت نورالینک با استفاده از هوش مصنوعی آموزشدیده بر اساس صدای پیش از بیماری، به یک بیمار ALS اجازه داد تنها با فکر کردن صحبت کند. با وجود موفقیت نمادین این نمایش،…
شرکت Z.ai مدل GLM-5.3-FlashX را برای کاربردهای حساس به تأخیر معرفی کرد که سرعت خیرهکنندهای دارد، اما هزینه استفاده از آن ۲.۵ برابر نسخه استاندارد است.
مجله WIRED در ۴ نوامبر ۲۰۲۶ رویدادی تجربی در میامی برگزار میکند که در آن رهبران Hugging Face و ناسا در کنار رباتهای انساننما حضور مییابند. این نمایشگاه با ترکیب هنر دیجیتال و…
ناسا و آیبیام یک مدل بنیادی متنباز برای تحلیل دادههای ماه منتشر کردند که در شناسایی دهانهها و نقشهبرداری از یخهای قطبی، مدلهای استاندارد هوش مصنوعی را شکست میدهد.
بررسی فلسفی تفاوت میان تولید تصویر در هوش مصنوعی و حافظه انسانی نشان میدهد که مدلهای انتشار فاقد «پشتهٔ دورریز» هستند. این مدلها بهجای بازیابی خاطرات، تصاویر را از طریق حذف…
آکادمی دمو متعلق به علیبابا، مدل بینایی-زبانی Damo Radar را بهصورت متنباز منتشر کرد. این مدل قادر است ۱۴۶ وضعیت بالینی مختلف در ناحیه شکم را با دقت بالا شناسایی کند.
پلتفرم Metacasa AI Studio با ترکیب طبقهبندی فایلها، چیدمان مجازی و تولید محتوا، فرآیند تبدیل مستندات خام املاک به داراییهای تبلیغاتی را خودکار کرده است. این سیستم جایگزین…
ابزارهای جدید مبتنی بر هوش مصنوعی، فرآیندهای خستهکننده ریتوپولوژی و UV Mapping را خودکار کردهاند. این پیشرفتها در کنار ویرایش هوشمند ویدیوها، هزینههای نیروی انسانی در تولید…
استارتاپهای پیشرو در زمینه مدلهای جهانی برای جلوگیری از واکنش غولهایی مثل OpenAI، نقشههای راه خود را حتی از تأمینکنندگان داده مخفی میکنند. این رویکرد امنیتی نشان میدهد که…
شرکت x.ai مدل جدید Grok Voice Transcribe 2.0 را معرفی کرد که بدون افزایش قیمت، دقت تبدیل صوت به متن را در محیطهای پرسر و صدا دو برابر میکند. این مدل اکنون در پلتفرم Atlassian…