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. ۲۹ مهر ۱۴۰۵ ۲ دقیقه پژوهش نVIDIA Nemotron 3 Nano Omni؛ هوش مصنوعی چندرشته‌ای با زمینه‌های طولانی پیشروترین هوش مصنوعی چندرشته‌ای NVIDIA Nemotron 3 Nano Omni با قابلیت تحلیل متن، تشخیص گفتار و درک طولانی ویدئو در قالب مدل چندرسانه‌ای پیشرفته، هم‌چنین عملکرد بالا در بسترهای تجاری را به ارمغان می‌آورد. ۸ اردیبهشت ۱۴۰۵ ۲ دقیقه 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. ۲۷ فروردین ۱۴۰۵ ۲ دقیقه پژوهش هوش مصنوعی: راه‌حلی پیشرفته برای پردازش داده‌های چندرسانه‌ای برای آموزش و تولید متن در این مطلب به معرفی پنج مرحلهٔ بهینه برای ساخت پایپ‌لاین داده چندرسانه‌ای در Hugging Face می‌پردازیم و تاثیر آن بر کاهش مصرف GPU و هزینه را بررسی می‌کنیم. ۱۷ تیر ۱۴۰۴ ۲ دقیقه مدل‌ها Gemma 3n: مدل هوش مصنوعی چندرسانه‌ای منبع‌باز برای دستگاه‌های شخصی Gemma 3n، یک مدل هوش مصنوعی چندرسانه‌ای و کاملاً منبع‌باز است که در اپلیکیشن‌های on‑device و با کارایی بالا به‌کار می‌رود. متصل به Hugging Face، این مودل امکان اجرای طبیعی در دستگاه‌های موبایل و لپ‌تاپ را فراهم می‌کند. ۵ تیر ۱۴۰۴ ۲ دقیقه 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. ۲۲ اردیبهشت ۱۴۰۴ ۲ دقیقه مدل‌ها Meta معرفی Llama Guard 4: مدل جدید ایمنی هوش مصنوعی طبیعی Meta با انتشار Llama Guard 4، مدل ایمنی چندرسانه‌ای 12B را معرفی می‌کند که برای جلوگیری از تولید محتوای ناامن در تولید متن و تصویر طراحی شده است. این مدل در هاب Hugging Face به صورت متن‌باز در دسترس قرار گرفته است. ۹ اردیبهشت ۱۴۰۴ ۲ دقیقه 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. ۲۲ فروردین ۱۴۰۴ ۲ دقیقه محصولات هوش مصنوعی در ChatGPT: ترکیب دید و صدا برای تیم‌های تعاونی و کارآمدتر ChatGPT با امکانات جدید دید و صدا، امکان همکاری تیمی را با ورودی‌های چندرسانه‌ای فراهم می‌کند. این قابلیت‌ها تعامل را طبیعی‌تر کرده و بهره‌وری را افزایش می‌دهند. ۱۹ فروردین ۱۴۰۴ ۲ دقیقه محصولات هوش مصنوعی جدید OpenAI: مدل چندرسانه‌ای GPT‑4o برای مدیریت محتوا مورد بحث خبر جدید به‌روزرسانی API مدریت محتوا توسط OpenAI، مدل چندرسانه‌ای GPT‑4o که با دقت بالای تشخیص متن و تصویر مخرب، سیستم‌هایی امن‌تر و دقیق‌تر فراهم می‌کند. ۵ مهر ۱۴۰۳ ۲ دقیقه