DeepDigest
← все статьи
Multimodal

Multimodal

106 статьи по теме

L Leiphone
Leiphone

FLAG от Шанхайского института и университетов: восстановление структуры транскриптома

Институт Шанчжи, Шанхайский университет науки и технологии и Фуданьский университет представили фреймворк FLAG для восстановления структуры пространственного транскриптома. Модель переопределяет задачу с детерминированной регрессии на моделирование структурированного распределения и успешно справляется с «проклятием генетической размерности». Эксперименты показали преимущество FLAG по структурным показателям в сравнении с другими методами.

Research LLM Multimodal
читать →
~2 мин 677 просмотра
Leiphone

Kuaishou на ICML 2026: представлены исследования по ИИ

Техническая команда Kuaishou представит ряд исследований на ICML 2026. Работы охватывают ключевые направления ИИ, включая большие языковые модели, обучение с подкреплением и компьютерное зрение. Конференция пройдёт с 6 по 11 июля в Сеуле.

LLM Research Multimodal
читать →
~3 мин 647 просмотра
cs.CV
arXiv
Cornell University Library
arXiv cs.CV

Новый тест DMV-Bench: как проверить зрительную память ИИ-агентов

DMV-Bench — тест для оценки зрительной памяти ИИ-агентов на основе каталога товаров; архитектура DualMem превзошла другие мультимодальные системы.

Multimodal Research Vision
читать →
~1 мин 675 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

MER-R1: новая система распознаёт эмоции с помощью «медленного» и «быстрого» мышления

MER-R1 объединяет «быстрое» и «медленное» мышление для точного распознавания эмоций; показала лучшую производительность на MER-UniBench и MME-Emotion.

LLM Multimodal Research
читать →
~1 мин 636 просмотра
Leiphone

Agentic vCloud: эволюция видео-облака в эпоху агентов

Видео-облако трансформируется из инфраструктуры контента в инфраструктуру агентов. Аудио и видео становятся инструментом взаимодействия между людьми и ИИ. Volcano Engine развивает Agentic vCloud, внедряя мультимодальную связь и AI MediaKit для выполнения задач агентами в реальном времени. По данным IDC, сегмент взаимодействия аудио- и видеоматериалов с помощью ИИ в первой половине 2025 года достиг порядка 440 млн долларов.

LLM Multimodal Research
читать →
~3 мин 675 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

GPT-4.1 Mini раскрывает финансовые связи: многоязычный подход к анализу причинно-следственных связей

Команда HSA_CORAL в рамках FinCausal 2026 сравнила разные модели для извлечения причинно-следственных связей из финансовых текстов на двух языках. Лучшая система — GPT-4.1 Mini — показала высокие результаты.

LLM Research Multimodal
читать →
~1 мин 654 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

OverFlowLight: система для борьбы с пробками в реальном времени

Платформа OverFlowLight в реальном времени обнаруживает заторы и корректирует работу светофоров, снижая количество инцидентов с переполнением на 60,4% и увеличивая пропускную способность сети на 18,2%.

Research Agents Multimodal
читать →
~1 мин 658 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

AI-ModelNet: сеть ИИ-моделей — новый шаг к их взаимодействию

Предложена концепция AI‑ModelNet — сети ИИ‑моделей для их взаимодействия и совместного решения задач, что может упростить практическое применение ИИ.

LLM Research Multimodal
читать →
~1 мин 698 просмотра
Leiphone

NVIDIA NitroGen и новинки ICML 2026: достижения в ИИ

NVIDIA NitroGen номинирована на премию CVPR 2026. На конференциях CVPR и ICML 2026 представлены новые наборы данных, модели и исследования в области ИИ — от мультимодального кода до логических рассуждений LLM. Компания Runway выпустила модель видеогенерации Gen-4.5, а Mistral AI укрепляет позиции на рынке ИИ-услуг.

LLM Vision Multimodal
читать →
~2 мин 685 просмотра
Leiphone

Vivo X Fold6: складной экран для «телефона-агента»

Vivo готовит к выпуску модель X Fold6 со складным экраном — она должна стать «телефоном-агентом», активно понимающим потребности пользователя. Компания внедряет новые функции на базе ИИ для многозадачности и работы с данными. При общем падении рынка смартфонов сегмент складных устройств демонстрирует рост.

LLM Multimodal Research
читать →
~2 мин 627 просмотра
Leiphone

Vivo X Fold6: складной флагман с ИИ-функциями

Vivo выпустила складной флагман X Fold6 с расширенными возможностями ИИ. Устройство оснащено системой OriginOS 6Fold и функцией Atomic workbench для работы с многозадачностью на большом экране. Среди других особенностей — мощный чип Blue Crystal× DNT 9500 Super Edition, ИИ-менеджер файлов и ассистент для конференций.

LLM Multimodal Hardware
читать →
~3 мин 666 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

Новый взгляд на взаимодействие зрения и языка в ИИ: систематизированный обзор мультимодальных моделей

Авторы представили систематический обзор объединения зрительного восприятия и языкового мышления в MLLM, ввели пятиэтапную таксономию и обозначили перспективы создания унифицированного мультимодального интеллекта.

LLM Multimodal Research
читать →
~1 мин 1414 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

ИИ для языков с ограниченными ресурсами: новый подход на основе WordNet

Разработан метод создания диалоговых ИИ‑систем для языков с ограниченными ресурсами на базе WordNet: преобразовали Hindi WordNet в 1,25 млн пар «инструкция‑ответ», настроили языковую модель — эффективность достигла 91,0.

LLM Research Multimodal
читать →
~1 мин 1480 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

Эмоциональные аватары на языке жестов: новый способ общения на непальском

Создан мультимодальный фреймворк NEST-V1: он превращает непальские слова в жесты аватаров с учётом эмоций. Точность распознавания речи — 81,1%, эмоций — 79,21%.

Multimodal Research LLM
читать →
~1 мин 1700 просмотра
cs.CV
arXiv
Cornell University Library
arXiv cs.CV

Новый метод найдёт метановые шлейфы на спутниковых снимках

Разработана мультимодальная модель для обнаружения метановых шлейфов на спутниковых снимках: она эффективнее аналогов и требует меньше ресурсов.

Vision Multimodal Research
читать →
~1 мин 1582 просмотра
cs.CV
arXiv
Cornell University Library
arXiv cs.CV

DinoLink: в 139 раз меньше данных — новое решение для связи автомобиля с инфраструктурой

DinoLink — платформа для сжатия данных в системах V2X: снижает объём передаваемой информации в 139 раз, сохраняет качество данных, ускоряет работу в узкополосных средах.

Vision Research Multimodal
читать →
~1 мин 1974 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

Пробелы в оценке мультимодальных ИИ: что мешает оценить реальные возможности моделей?

Исследование выявило пробелы в оценке мультимодальных ИИ-моделей (MLLM): нынешние методы не показывают, как модели объединяют данные из разных источников (текст, фото, аудио и др.).

LLM Multimodal Research
читать →
~1 мин 1976 просмотра
Apple Machine Learning

Apple представила третье поколение моделей Apple Foundation Models

Apple представила третье поколение моделей Apple Foundation Models — семейство из пяти моделей для устройств и облачных вычислений. В него входят встроенные и серверные модели с мультимодальными возможностями. Архитектура моделей позволяет преодолевать ограничения по объёму памяти и обеспечивать конфиденциальность данных.

LLM Multimodal Research
читать →
~3 мин 1522 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

COrigami: ИИ поможет создать узнаваемое оригами

Система COrigami на базе ИИ создаёт шаблоны оригами по текстовому описанию, объединяя алгоритмическую оптимизацию и эстетическую оценку — помощник для художников в проектировании сложных форм.

LLM Research Multimodal
читать →
~1 мин 2030 просмотра