AI Hub

Новости и статьи об искусственном интеллекте и нейросетях. Мы собираем и обрабатываем самую актуальную информацию из мира AI. О проекте

TelegramБот @AiHubMyBotTelegramКанал @AiHubFeed

мультимодальность

19 публикаций по теме
мультимодальность
Новости

Создание визуальных ИИ-агентов с NVIDIA Cosmos Reason

ИИ-системы часто не справляются с соединением восприятия и мышления в динамичных условиях, но NVIDIA Cosmos Reason VLM решает эту задачу через интеграцию зрения, языка и мировых знаний. На стриме покажут дообучение модели на своих данных, создание агентов с NIM и VSS, плюс примеры для производства, логистики и безопасности. Зрители получат практические советы и демонстрации для умных рабочих процессов.

1
1 мин
24 ноября 2025 г.
Новости

Gemini 3: ставка Google на кодинг и будущее ИИ

Google представила модель Gemini 3, которая лидирует в бенчмарках по рассуждениям и кодингу, с новым интерфейсом Antigravity для разработчиков. Модель поддерживает 650 миллионов пользователей и 13 миллионов разработчиков, демонстрируя прорыв в мультимодальных взаимодействиях. Однако эксперты предупреждают о рисках ажиотажа и необходимости обеспечения надежности.

0
2 мин
19 ноября 2025 г.
Canva представила модель дизайна и новые ИИ-функции
Новости

Canva представила модель дизайна и новые ИИ-функции

Canva запустила собственную фундаментальную модель для дизайна, которая генерирует редактируемые элементы в различных форматах. Компания расширила возможности ИИ-ассистента, добавила инструменты для таблиц и виджетов, а также представила новые продукты вроде форм и email-дизайна. Приобретение Affinity сделано бесплатным, с улучшенной интеграцией в платформу.

11
3 мин
31 октября 2025 г.
Новости

DeepSeek улучшает память ИИ новым методом

Китайская компания DeepSeek разработала OCR-модель, которая использует визуальные токены для эффективного хранения информации в ИИ, снижая потребление ресурсов и борясь с "гниением контекста". Это инновационное решение привлекает внимание экспертов и может улучшить работу ИИ-агентов, а также увеличить объем обучающих данных. Однако технология пока находится на ранней стадии и требует дальнейших исследований для динамичного управления памятью.

3
4 мин
30 октября 2025 г.
Ladder запускает отслеживание питания в приложении
Новости

Ladder запускает отслеживание питания в приложении

Приложение для силовых тренировок Ladder интегрирует новую платформу Ladder Nutrition для удобного отслеживания калорий и макронутриентов с использованием ИИ. Пользователи могут фиксировать еду через фото, скан, текст или голос, а система обеспечивает точность даже для международных блюд благодаря партнерствам. Функция дополнена геймификацией и доступна всем подписчикам, что соответствует запросам аудитории.

5
2 мин
27 октября 2025 г.
Новости

Генерация аудио для видео

Технология V2A от Google DeepMind позволяет генерировать синхронизированные саундтреки для видео на основе пикселей и текстовых подсказок, интегрируясь с моделями вроде Veo. Она обеспечивает гибкий контроль над аудио и работает без ручной синхронизации, хотя исследования продолжаются для устранения ограничений, таких как качество входного видео и синхронизация губ. Разработка акцентирует внимание на безопасности через водяные знаки SynthID и консультации с творческим сообществом.

7
4 мин
24 октября 2025 г.
Новости

Luma AI: 900 млн на мультимодальный AGI

Luma AI привлекла 900 миллионов долларов в раунде Series C для разработки мультимодального AGI, способного воспринимать мир через видео, изображения, язык и звук. Партнерство с HUMAIN поддержит строительство 2-гигаваттного суперкластера ИИ в Саудовской Аравии, оценивая компанию в 4 миллиарда долларов. Это шаг к "Моделям мира", вызывающий как надежды на инновации в образовании и робототехнике, так и вопросы о контроле и этике.

3
3 мин
21 ноября 2025 г.
Новости

Gemini 3 от Google: генеративные интерфейсы и агент

Google представила Gemini 3 — обновленную мультимодальную модель с улучшенными рассуждениями и генеративными интерфейсами, которая самостоятельно адаптирует вывод под запрос. Новая функция Gemini Agent позволяет выполнять многоэтапные задачи с интеграцией в сервисы вроде Gmail и Calendar. Обновление усиливает связи с продуктами Google, включая поиск и шопинг, а также предлагает инструменты для разработчиков.

1
3 мин
19 ноября 2025 г.
Применение моделей ИИ для аудио в практических задачах
Статьи

Применение моделей ИИ для аудио в практических задачах

Статья обзорно описывает модели ИИ для обработки аудио, их типы и применения в реальных сценариях. Рассматриваются причины важности аудиомоделей, включая их роль в мультимодальном ИИ и преимущества прямого анализа. Особое внимание уделено задачам преобразования речи в текст, текста в речь и речи в речь, с примерами использования в повседневных задачах.

3
4 мин
28 октября 2025 г.
Новости

Обновленный Gemini 2.5 Pro для интерактивных веб-приложений

Обновленная версия Gemini 2.5 Pro Preview (I/O edition) предлагает значительные улучшения в программировании, особенно для разработки интерактивных веб-приложений. Модель лидирует в WebDev Arena Leaderboard и показывает отличные результаты в мультимодальном анализе, включая понимание видео. Доступна через Google AI Studio, Vertex AI и приложение Gemini для быстрого создания приложений.

1
2 мин
25 октября 2025 г.
Новости

Fal AI привлекла $250 млн при оценке свыше $4 млрд

Стартап Fal.ai, специализирующийся на хостинге мультимодальных моделей ИИ для медиа, привлек 250 миллионов долларов при оценке более 4 миллиардов. Это следует за раундом Series C на 125 миллионов долларов, когда выручка достигла 95 миллионов, а платформа обслужила 2 миллиона разработчиков. Рост компании обусловлен спросом на видео- и мультимедийные ИИ-решения, с клиентами вроде Adobe и Shopify.

7
3 мин
22 октября 2025 г.
Новости

RT-2: модель для преобразования зрения и языка в действия

Robotic Transformer 2 (RT-2) — это передовая модель видения-языка-действия, которая интегрирует веб-данные и роботизированные демонстрации для улучшенного управления роботами. Она демонстрирует превосходное обобщение на новые сценарии, включая семантическое рассуждение и цепочку мыслей, достигая успеха до 90% в задачах. Разработка опирается на PaLI-X и PaLM-E, обеспечивая перенос знаний из интернета в робототехнику.

7
7 мин
14 октября 2025 г.