Linguaggio, computer vision, audio, multimodale
Un gruppo di NVIDIA addestra un solo riconoscitore vocale che trascrive sia a registrazione finita sia in diretta, fino a…
Il laboratorio di visione di AMAP, la divisione mappe di Alibaba, descrive un world model video che risponde alla tastiera,…
Un laboratorio austriaco sostiene che Whisper sappia già trascrivere esitazioni, ripetizioni e parole troncate, e che il problema sia soltanto…
I modelli visione-linguaggio-azione guidano i robot senza chiedersi che cosa succederà dopo. Un gruppo di Fudan raccoglie in 69 pagine…
I sistemi agentici per generare immagini cercano sul web, ragionano, disegnano bozzetti e si correggono da soli, ma ciascuno applica…
Un world model per la manipolazione robotica riceve una fotografia della scena e la traiettoria prescritta per due bracci, e…
Il team MiniCPM-o di OpenBMB pubblica un modello aperto da 9 miliardi di parametri che non alterna più ascolto e…
Il team Robbyant rilascia la seconda versione del suo world model interattivo: un modello causale da 14 miliardi di parametri,…
Molti modelli che leggono documenti guardano la pagina con un occhio addestrato su foto di strade, gatti e automobili. Un…
I modelli visione-linguaggio indicano un oggetto dettando le coordinate del suo riquadro una alla volta, come si detta un numero…
