موضوع
Models that natively process text+image+audio+video
۱٬۳۴۷ مقاله منتشر شده
استارتاپ General Intuition با استفاده از میلیونها ساعت دادههای بازیهای ویدئویی، مدلی بنیادی برای هوش مصنوعی فیزیکی ساخته است. این روش اجازه میدهد رباتها حرکات پیچیده را با…
گوگل ابزار Video Remix را برای مشترکان سرویسهای هوش مصنوعی خود عرضه کرد. این قابلیت با بهرهگیری از مدل Gemini Omni، امکان تغییر سبک، نورپردازی و پسزمینه ویدیوهای ذخیره شده را…
استارتآپ General Intuition با استفاده از دادههای بازیهای ویدئویی، در حال آموزش هوش مصنوعی برای درک حرکت اشیاء در مکان و زمان است. این شرکت با جذب ۳۲۰ میلیون دلار سرمایه، قصد…
شرکت Mistral AI مدلی ۸ میلیارد پارامتری را معرفی کرد که رباتها را قادر میسازد تنها با یک دوربین RGB و دستورات متنی در محیطهای ناشناخته حرکت کنند. این سامانه در بنچمارکهای…
شرکت Robbyant متعلق به Ant Group مدل بنیادی LingBot-VLA 2.0 را بهصورت متنباز منتشر کرد. این مدل با استفاده از ۶۰ هزار ساعت داده، قادر است ۲۰ نوع ربات مختلف را مدیریت کند و…
بررسی چهار خانواده مدل برتر چینی نشان میدهد که این مدلها اکنون با قیمتهایی بسیار پایینتر و عملکردی رقابتی در برابر غولهای غربی قرار دارند. تحلیلها DeepSeek را برای کدنویسی…
تولیدکنندگان محتوای ویروسی اکنون بین دو مسیر «متن به میم» برای ایدههای نو و «تصویر به میم» برای شخصیسازی بصری انتخاب میکنند. این تفکیک، نقش سازنده را از یک ویرایشگر دستی به یک…
انویدیا و هانینگفیس با ادغام مدل GR00T 1.7 و یک مجموعه داده عظیم در کتابخانه LeRobot، دسترسی به آموزش هوش مصنوعی فیزیکی را تسهیل کردند. این اقدام در حالی رخ میدهد که ریسکهای…
انویدیا مدل Audex را معرفی کرد؛ یک مدل ۳۰ میلیارد پارامتری که بدون کاهش توان استدلالی، صوت و متن را پردازش میکند. این مدل یکی از معدود مدلهای وزنباز است که میتواند صداهای…
مدل جدید Muse Image متعلق به متا به کاربران اجازه میدهد با تگ کردن پروفایلهای عمومی، تصاویری با شباهت چهره آنها تولید کنند. برای توقف این دسترسی، کاربران باید بهصورت دستی…
متا مدل Muse Image را برای ادغام شباهت ظاهری کاربران تگشده در اینستاگرام در عکسهای تولیدی هوش مصنوعی عرضه کرد. این مدل عاملمحور جایگزین Llama در ابزارهای تصویری متا شده و…
مدل DiffusionGemma با وجود سرعت ۴ برابری نسبت به نسلهای قبل، بهدلیل یک اختلاف فنی در پروژه llama.cpp برای کاربران ابزارهای Ollama و LM Studio در دسترس نیست. در حال حاضر تنها…