Linguaggio, computer vision, audio, multimodale
Molti modelli video "open" pubblicano solo i pesi. VideoChat3 dichiara aperto tutto il processo — e introduce due accorgimenti per…
Quarantamila ticket, dieci anni di verbali, l'archivio di una newsletter: raccogliere testo è facile, sapere di cosa parla è un…
Che un modello sappia cose diverse a seconda della lingua è noto. Sette ricercatori misurano un'altra cosa: che sa fare…
Ultralytics pubblica il paper di YOLO26, la famiglia di rilevatori che toglie la non-maximum suppression dall'inferenza, alleggerisce la testa di…
Xiaomi e il gruppo di Daniel Povey presentano un modello text-to-speech zero-shot addestrato su 581 mila ore di dati solo…
Il Qwen Team presenta il nuovo modello per immagini: generazione ed editing nella stessa rete, prompt fino a mille token…
I generatori video producono fotogrammi belli che non stanno insieme come scena. Un gruppo di HKUST e Tencent ARC Lab…
Baidu riparte da DeepSeek-OCR e cambia una cosa sola: ogni token che il modello scrive guarda tutta la pagina ma…
Un world model video genera il mondo mentre lo esplori, ma quando giri la testa e torni indietro spesso trova…
Il gruppo PaddleOCR di Baidu smette di far trascrivere la pagina a un modello in un'unica fila di token: un…
