#多模态

共 39 篇带此标签

39 記事 最新 2026-11-21
過去 · #多模态 全 11 本
ツール

dettato、21M参数で1.3B型を Erica上回る音频转MIDI

dettatoは約21Mパラメータで音频をMIDIに変換し、muscriptor 1.3bの約1/60のモデルサイズを実現した。プロジェクトは高いテスト成績走着,但也 effiencyや評価方法、訓練データのライセンスについては独立検証が求められる。

2026-11-21 出典 2026-11-17 7 分 36 回閲覧
プロダクト

Genie 4登場、生成AI-AgentPagEの訓練環境はここまで

Google DeepMindはProject Genieを通じてGenie 4をtml一般に公開した。テキストや画像から操作可能な環境を生成できる一方、信頼できるAgentの訓練基盤にするには、物理法則への適合、長時間タスクでの一貫性、現実との乖離という課題が残る。

2026-11-20 出典 2026-11-18 7 分 36 回閲覧
実践

48体のAgentが72時間で探した玛雅文明の金字塔

Google SWEが48体のAI Agentを動かし、NASAのLidarデータを72時間で解析した実験_MULTI Agent_sky_orchestration_の分業、検証、成本、そして共通する偏見が誤りを増幅する仕組みを検証する。

2026-11-12 出典 2026-11-11 7 分 36 回閲覧
実践

2FK的训练コストとApache 2.0モデルの実際の運用費用

2人のラボが約2FKを使い、ゼロから文生画像モデル「PJIT-21K」を開発し、Apache 2.0で重みを公開した。訓練、推論、ライセンス、デプロイの各コストを分解し、AI Agentやマルチモーダルチームが導入を判断するためのチェックリストを示す。

2026-11-06 出典 2026-11-04 7 分 36 回閲覧
見解

LLM Voiceを解析:音声Agent?](https://example.com) aptcha

Martin Fowlerは、LLMをリアルタイム音声アプリケーションに組み込むための設計と工学的課題 discussesしている。重要なのはASR、LLM、TTSの接続だけでなく、遅延、打断、状態管理をend-to-endで制御することだ。

2026-10-30 出典 2026-10-29 9 分 36 回閲覧
ツール

Hurston-1が開源したTTS、方言対応の意味を再検証する

Destined AIは、Southern American EnglishとRegional African Englishmainly对应的な狭帯域TTSモデル「Hurston-1」を公開した。大規模な許諾済み音声データと、その一部だけを用いた学習の関係を、モデル定位や運用コスト、評価方法まで実務的に整理する。

2026-10-26 出典 2026-10-25 7 分 36 回閲覧
実践

CNNはGPT-4oやClaude 3.5より医療画像分類で強いのか

Lynch Labのテストでは、10歳の研究者が開発したCNNが、皮膚病変の画像分類でGPT-4oとClaude 3.5を上回った。ただし、この結果は評価条件に強く依存し、臨床での有用性まで示すものではない。

2026-10-26 出典 2026-10-25 6 分 36 回閲覧