utworzone przez Redakcja | wrz 24, 2026
Naukowcy przedstawili Ovis-Embedding – zaawansowany system embeddings oparty na wspólnym szkielecie multimodalnym, który koduje tekst, obrazy, wideo i dźwięk w jednej wspólnej przestrzeni reprezentacji. Model wykorzystuje pretrenowany Qwen-omni i trening kontrastywny...
utworzone przez Redakcja | sie 24, 2026
Naukowcy opracowali framework oparty na zespołach drzew decyzyjnych, który łączy wysoką dokładność klasyfikacji multimodalnej (tekst, audio, wideo) z ludzkozrozumiałymi wyjaśnieniami decyzji. Rozwiązanie ma zastąpić nieprzejrzyste Transformery w zastosowaniach...
utworzone przez Redakcja | sie 24, 2026
Naukowcy opublikowali kompleksowy przegląd badań nad multimodalnymi frameworkami agentycznymi, analizując jak integracja obrazu, dźwięku i wideo z dużymi modelami językowymi poprawia zdolności rozumowania i planowania systemów AI.
utworzone przez Redakcja | sie 18, 2026
Badacze stworzyli 'The Unwritten Benchmark' – test, w którym modele AI muszą odgadywać pisane słowa wyłącznie na podstawie dźwięku pióra i ruchu ręki, bez widocznego atramentu. Wyniki ujawniają ogromną przepaść między możliwościami ludzi a maszyn w...
utworzone przez Redakcja | lip 31, 2026
MiniMax wypuścił otwarty model AI H3, który potrafi generować wideo, audio i obrazy. Model jest dostępny bez opłat.
