محصولات
نVIDIA Nemotron 3.5: برتری در Embed، Rerank و Parse برای هوش مصنوعی
نVIDIA با معرفی Nemotron 3.5، مدل جدیدی برای Embed، Rerank و Parse طراحی کرده است که توانایی جستجوی جهان‌کلاس و پاسخ‌های دقیق را در حوزه هوش مصنوعی ارتقا می‌دهد.
پژوهش
آموزش فاین‌تون مودال استرینگ ترنسفورمر برای جستجوی مستندات تصویری و متنی
در این مقاله به پیشرفت‌های جدید حِفینګ فِی‌چر در مدل‌های چندرسانه‌ای با استفاده از کتابخانه سِنتنس ترنسفورمر می‌پردازیم و نحوه فاین‌تون Qwen3-VL-Embedding-2B برای جستجوی مستندات تصویری را توضیح می‌دهیم.
پژوهش
هوش مصنوعی در مدل‌های دید و زبان: جدیدترین پیشرفت‌های Hugging Face
پیشرفت‌های اخیر در Vision Language Models توسط Hugging Face، توانایی‌های جدیدی در درک تصاویر، متن و ویدئو ایجاد کرده و روند باز‌فراز Open Source را تسریع می‌کند.
پژوهش
هوش مصنوعی چندرسانه‌ای: Visual Salamandra و گام تازه‌ای در درک تصاویر
دنبال کردن لبه‌های هوش مصنوعی چندرسانه‌ای، مدلی جدید به نام Visual Salamandra معرفی شد؛ با 7 میلیارد پارامتر، انطباق تصویر‑متن را در فهم عمیق تصاویر و ویدئوها بهبود می‌بخشد.
محصولات
هوش مصنوعی گام بعدی: معرفی GPT-4 Omni، مدل چندرسانه‌ای OpenAI
OpenAI با مدل تازه GPT‑4 Omni، هوش مصنوعی چندرسانه‌ای را به‌سرعت رشد می‌دهد؛ قابلیت تفکر همزمان در حوزه‌های صوتی، تصویری و متنی را در زمان واقعی ارائه می‌کند.
پژوهش
چطور مدل‌های هوش مصنوعی بین تصاویر و متن تفسیر می‌کنند؟
در این مقاله به جایگاه بالای مدل‌های هوش مصنوعی چشمی-زبان می‌پردازیم، استراتژی‌های یادگیری، پیشرفت‌های اخیر و چشم‌اندازهای پژوهشی آن‌ها را بررسی می‌کنیم.