xAI Elona Muska wprowadza Grok Imagine, narzędzie do generowania obrazów i wideo, dostępne dla subskrybentów SuperGrok i Premium+ X. Nowość wzbudziła kontrowersje ze względu na możliwość tworzenia treści NSFW, co wpisuje się w strategię Muska promowania „niefiltrowanej” sztucznej inteligencji.
Read More
Modele językowo-wizualne (VLM) stoją przed wyzwaniem efektywnego przetwarzania obrazów wysokiej rozdzielczości. Apple wprowadza FastVLM, obiecujące rozwiązanie redukujące opóźnienia i zużycie zasobów, jednocześnie utrzymujące wysoką dokładność.
Read More
Najnowsze modele multimodalne, takie jak GPT-4o, Gemini i Claude, zrewolucjonizowały interakcję z AI, łącząc umiejętności językowe z przetwarzaniem obrazu. Jednak ich rzeczywiste zdolności do rozumienia wizualnego pozostają przedmiotem intensywnych badań. Analizy EPFL rzucają nowe światło na to, jak te modele radzą sobie z zadaniami typowo wizualnymi, wskazując ich mocne strony, ale i wyraźne ograniczenia w porównaniu ze specjalistycznymi systemami.
Read More
Najnowsze badania EPFL rzucają światło na fundamentalną przewagę ludzkiego wzroku nad sztuczną inteligencją w zakresie integracji konturów, kluczowej dla rozpoznawania obiektów w niekompletnym obrazie.
Read More
Naukowcy z MIT odkryli nową metodę tworzenia i edytowania obrazów AI, która eliminuje potrzebę stosowania kosztownych generatorów, otwierając drogę do bardziej efektywnych i wszechstronnych zastosowań.
Read More
Nowy framework PyVision, opracowany przez międzynarodowy zespół naukowców, umożliwia dużym multimodalnym modelom językowym tworzenie i dostosowywanie narzędzi do rozwiązywania złożonych zadań związanych z rozumowaniem wizualnym. Zamiast polegać na stałych zestawach funkcji, AI dynamicznie generuje kod Pythona, otwierając nowe perspektywy w adaptacyjnym przetwarzaniu obrazu.
Read More
Naukowcy z University of Massachusetts Amherst i MIT przedstawili Mirage, innowacyjne podejście, które umożliwia wielomodalnym modelom językowym (VLM) wizualne rozumowanie bez konieczności generowania pełnych obrazów. Inspirując się ludzką zdolnością do mentalnej wizualizacji, Mirage integruje kompaktowe wskazówki wizualne bezpośrednio w proces myślowy, otwierając nowe możliwości w rozwiązywaniu złożonych zadań przestrzennych.
Read More
Google wprowadza do swojego generatora wideo Veo 3, dostępnego w aplikacji Gemini, funkcję przekształcania zdjęć w dynamiczne klipy, kontynuując rozwijanie narzędzi opartych na sztucznej inteligencji i stawiając nowe wyzwania dla kreatorów treści.
Read More
Google wprowadza do Gemini API oraz Google AI Studio nowe modele text-to-image – Imagen 4 i Imagen 4 Ultra. Oferując lepszą jakość i szybkość generowania, mają przyciągnąć deweloperów i przedsiębiorstwa, choć ich przyszła rola w kształtowaniu standardów branżowych jest wciąż otwarta na dyskusję.
Read More
Ceniony twórca komiksów, Paul Pope, powraca z nowymi projektami i choć branża komiksowa mierzy się z wyzwaniami związanymi ze sztuczną inteligencją, artysta skupia się na groźniejszym aspekcie technologii: potencjalnym rozwoju autonomicznej broni i masowej inwigilacji, bagatelizując obawy o plagiat w sztuce.
Read More