Tag
Všetky publikované články, v ktorých sa téma multimodálna AI objavuje ako dôležitý kontext. Aktuálne 17 textov v archíve.
Výskumný dataset prináša 1 211 vlastných stereoskopických záznamov VR180 v kamerovom RAW, dve projekcie pre každé oko a továrenskú kalibráciu. Má umožniť presnejší výskum kompresie, priestorového videa aj multimodálnych modelov.
Liquid AI zverejnilo open-weight modely d1-3B a d1-omni-600M. Namiesto generovania textu vracajú typované rozhodnutia v jedinom priechode, pričom cielia na lokálne nasadenie, multimodálne vstupy a nízku latenciu.
Výskumníci prepojili fyzikálnu simuláciu požiaru, generované video a multimodálnu pamäť. Agentický VLM systém zlepšil hlásenia na syntetických dátach, no overenie v reálnych zásahoch zostáva obmedzené.
Open TTS Leaderboard porovnáva otvorené modely syntézy reči podľa zrozumiteľnosti, rýchlosti a podobnosti hlasu. Má zrýchliť evaluáciu, no objektívne metriky nenahrádzajú ľudské hodnotenie prirodzenosti a expresivity.
Experimentálny model LFM2.5-VL-3B-DSpark má zrýchliť generovanie až 3,13-násobne na Apple Silicon a 2,66-násobne na GPU H100 bez zmeny výstupu cieľového modelu.
Hugging Face predstavil Workflow1111, vizuálny graf so 73 uzlami, ktorý prepája generovanie a úpravu obrázkov, detekciu objektov aj video. Projekt ukazuje modulárnu alternatívu k pevnej obrazovke AUTOMATIC1111.
Referenčná architektúra AWS spája text, hlasové správy aj hovory z jedného čísla WhatsApp Business. AgentCore, modely Nova 2 a spoločná pamäť majú udržať kontext zákazníka naprieč kanálmi bez troch oddelených objednávkových systémov.
Nová štúdia skúma blokovo riedke reprezentácie vnútorných stavov neurónových sietí. Metóda Tournament Top-K obmedzila štiepenie konceptov v syntetických testoch, no výsledky na veľkých reálnych modeloch zostávajú predbežné.
Štvrtok ukázal AI ako súčasť celého pracovného procesu: Apple spresňuje odmeňovanie odpovedí, Databricks spracovanie grafov, Google cestovanie a AWS dátovú suverenitu.
Denný prehľad 26. augusta spája výskum úspornejších modelov, doménové vyhľadávanie, 3D generovanie a cloudové nástroje na hodnotenie agentov. Spoločným menovateľom je presun od ukážok k merateľnej a prevádzkovo zvládnuteľnej AI.
Google uzavrel dlhodobé partnerstvá s Arsenalom, Barcelonou, Bayernom, Liverpoolom a PSG. Gemini má sprostredkovať zápasové informácie a Pixel zákulisný obsah, no firma stále neuviedla dátové zdroje, samostatnú futbalovú funkciu ani merateľné ciele. V EÚ bude dôležité aj jasné označovanie AI interakcií a generovaného obsahu.
DocLang má prevádzať PDF, kancelárske súbory, obrázky či zvuk do kanonickej XML reprezentácie so zachovaným poradím čítania, tabuľkami, grafikou a pôvodom prvkov. Podpora v Doclingu už umožňuje praktické skúšanie, no tvrdenia o nižších nákladoch zatiaľ nemajú nezávislé benchmarky a formát vo verzii 0.x môže prinášať nekompatibilné zmeny.