Настольная кофеварка представила интеграцию с голосовым помощником Amazon, позволяющую пользователям готовить кофе, настраивать параметры и получать доступ к рецептам с помощью голосовых команд. Эта функция направлена на повышение удобства использования и оптимизацию процесса приготовления кофе, что особенно привлекает технологически продвинутых потребителей, ищущих более умные кухонные приборы.
Samsung представила функции голосового управления для открытия и закрытия своих умных холодильников Family Hub. Это обновление позволяет пользователям управлять холодильником без помощи рук, используя голосовые команды, что значительно упрощает процесс, особенно во время готовки. Функция совместима с голосовым помощником Bixby от Samsung и направлена на упрощение кухонных задач. Владельцы существующих холодильников Family Hub получат обновление через программное обеспечение, тогда как новые покупатели смогут воспользоваться этой функциональностью сразу после покупки. Этот шаг подчеркивает стремление Samsung интегрировать умные технологии в повседневные приборы, что может повлиять на выбор потребителей на рынке смарт-домов.
На выставке CES компания Hyper представила несколько новых компьютерных аксессуаров, включая серию док-станций Thunderbolt 4, разработанных для улучшения подключения и производительности профессионалов. Док-станции оснащены несколькими USB-портами и поддерживают подключение двух 4K дисплеев. Появление новинок на рынке запланировано на первый квартал 2024 года, а цены начинаются от 199 долларов.
Робот-пылесос Narwal Flow 2, недавно представленный на выставке CES, оснащен современными возможностями уборки и системой самоочистки, благодаря которой он может самостоятельно мыть свои мопы. Устройство улучшило навигацию с использованием технологии LiDAR, что позволяет более эффективно составлять карты помещений. Также Flow 2 можно управлять с помощью мобильного приложения, что значительно повышает удобство для пользователей.
Компания DeepSeek представила новую технологию — гиперсвязи с ограничениями многообразия (mHCs), призванную улучшить обработку данных в сложных системах. Эта инновация нацелена на повышение эффективности обработки данных и аналитики. Конкретные применения включают улучшение производительности в моделях машинного обучения и искусственного интеллекта, что может коренным образом изменить подход организаций к работе с крупными наборами данных. Ожидаются дополнительные сведения о внедрении технологии и её влиянии на отрасль.
Исследователи разработали две модели глубокого обучения, LNU-Net и IBU-Net, для сегментации левого желудочка на короткоосевых кинематографических МРТ-изображениях. LNU-Net улучшает архитектуру U-Net с помощью нормализации по слоям, в то время как IBU-Net сочетает нормализацию по экземплярам и по партиям. В тестировании на наборе данных из 805 МРТ-изображений, полученных от 45 пациентов, обе модели значительно повысили точность сегментации, превзойдя существующие методы по коэффициенту Дайса и среднему перпендикулярному расстоянию. Эти достижения могут улучшить клиническую диагностику и количественные исследования в кардиологии.
В новой статье представлен метод мягкой репараметризации на основе диффузии для оптимизации категориальных переменных, который улучшает существующие непрерывные релаксации. Этот метод использует процесс гауссовского шумоподавления с эффективным денойзером, позволяющим выполнять обратное распространение без предварительного обучения. Эксперименты показывают, что этот подход демонстрирует конкурентоспособные или даже улучшенные результаты на различных бенчмарках, эффективно решая проблемы шума и смещения, характерные для традиционных методов оптимизации.
Исследование посвящено использованию мультимодальных больших языковых моделей (MLLM) для обнаружения аудио-дийпфейков, что является ранее недостаточно изученной областью. Объединив аудиовходы с текстовыми подсказками, исследователи оценили две модели: Qwen2-Audio-7B-Instruct и SALMONN в режимах нулевого обучения и дообучения. Результаты показывают, что, хотя производительность моделей на данных вне обучающей выборки оставляет желать лучшего, они демонстрируют отличные результаты в задачах в рамках обучающей выборки при минимальном контроле, что указывает на многообещающее направление для улучшения обнаружения аудио-дийпфейков.
Финансовые показатели Nvidia значительно улучшились после бурного роста в области искусственного интеллекта, особенно после запуска ChatGPT. Компания зафиксировала рекордные доходы и прибыли, а её резервы наличности значительно увеличились. Этот рост подчеркивает ключевую роль Nvidia в производстве аппаратного обеспечения для ИИ, особенно в поставках графических процессоров для AI-приложений, что укрепляет её позиции как лидера в технологическом секторе.
В 2026 году ожидается, что в сфере искусственного интеллекта приоритет будет отдан практическим приложениям, а не разработке всё более крупных языковых моделей. Отрасль переключится на оптимизацию ИИ для реальных задач, акцентируя внимание на эффективности, интеграции и удобстве для пользователей. Такой подход направлен на повышение полезности ИИ в различных секторах, чтобы он действительно удовлетворял осязаемые потребности.
Недавние достижения в трехмерной реконструкции с использованием GaMO (Geometry-aware Multi-view Outpainter) решают проблемы существующих методов, которые сталкиваются с ограниченным числом входных изображений. Расширяя поле зрения от текущих поз камер, GaMO обеспечивает геометрическую согласованность и улучшает охват сцены. В тестах на Replica и ScanNet++ он продемонстрировал высокое качество реконструкции и скорость, в 25 раз превышающую показатели ведущих диффузионных методов, обрабатывая данные менее чем за 10 минут. Для получения дополнительной информации посетите страницу проекта: https://yichuanh.github.io/GaMO/.
Исследователи представили Population Bayesian Transformers (B-Trans) — новый подход, который позволяет достигать разнообразия в поведении моделей, используя единственный набор предварительно обученных весов в крупных языковых моделях. Обрабатывая смещения нормализационных слоев как стохастические переменные, B-Trans сохраняет согласованность, одновременно позволяя получать различные выходные данные. Эксперименты показывают, что этот метод улучшает семантическое разнообразие и эффективность выполнения задач в сценариях нулевого выстрела и обучения с подкреплением, превосходя традиционные детерминированные модели. Этот метод также способствует более эффективному совместному принятию решений, агрегируя предсказания от нескольких экземпляров моделей.