মাল্টিমোডাল
AIEZZ টুল ট্যাগ
“মাল্টিমোডাল” ট্যাগযুক্ত AI পণ্য ব্রাউজ করা হচ্ছে, যেখানে 5টি মিলে যাওয়া ফলাফল রয়েছে।
ShieldstralAI বুদ্ধিমান প্রশ্নোত্তরShieldstral – Mistral AI-এর ওপেন-সোর্স মাল্টিমোডাল কনটেন্ট সেফটি ক্লাসিফিকেশন মডেল হলো Mistral AI-এর তৈরি 3B প্যারামিটারের ওপেন-সোর্স মাল্টিমোডাল কনটেন্ট সেফটি ক্লাসিফিকেশন মডেল, যা Ministral-3B-এর ওপর নির্মিত। মডেলটি প্রচলিত নির্দিষ্ট শ্রেণিভিত্তিক কনটেন্ট মডারেশনকে বাইনারি প্রশ্নোত্তর কাজে পুনঃসংজ্ঞায়িত করে। এটি প্রাকৃতিক ভাষার প্রশ্নের মাধ্যমে রিয়েল-টাইমে মডারেশন নীতি নির্ধারণ করতে পারে এবং পুনঃপ্রশিক্ষণ ছাড়াই বিভিন্ন পরিস্থিতির সঙ্গে মানিয়ে নিতে পারে। টেক্সট সেফটি বেঞ্চমার্কে মডেলটির গড় F1 84.9% এবং মাল্টিমোডাল সেফটি F1 83.8%, উভয়ই SOTA। এটি মাত্র একটি 16GB GPU-তে স্থাপন করা যায় এবং 12টি ভাষা সমর্থন করে। এর মূল বৈশিষ্ট্যের মধ্যে রয়েছে নীতির সঙ্গে অভিযোজিত মডারেশন, মাল্টিমোডাল সমন্বিত শনাক্তকরণ, সূক্ষ্ম স্তরের লঙ্ঘন শনাক্তকরণ, ক্যালিব্রেটেড সেফটি স্কোর এবং হালকা এজ-ডিভাইস স্থাপন। এটি সামাজিক প্ল্যাটফর্মের কনটেন্ট ঝুঁকি নিয়ন্ত্রণ, AI কথোপকথনের নিরাপত্তা, বিজ্ঞাপন ও বিপণন অনুবর্তিতা, অনলাইন শিক্ষার কনটেন্ট ফিল্টারিং এবং কর্পোরেট নথির নিরাপত্তা নিরীক্ষার মতো ক্ষেত্রে ব্যবহার করা যায়।00
HOMIEএআই ভিডিও জেনারেশনHOMIE হলো হংকং ইউনিভার্সিটি অব সায়েন্স অ্যান্ড টেকনোলজি ওপেন-সোর্স করা ডিজিটাল হিউম্যান ভিডিও জেনারেশন ফ্রেমওয়ার্ক, যা Wan2.1-T2V-14B ব্যাকবোন নেটওয়ার্কের ওপর ভিত্তি করে তৈরি এবং Qwen3-VL মাল্টিমোডাল বড় ভাষা মডেল সমন্বিত। ফ্রেমওয়ার্কটি ডিজিটাল হিউম্যান+পণ্য+Logo+টেক্সট—এই চারটি উপাদান একসঙ্গে প্রক্রিয়া করতে পারে, ...00
SenseNova U1.5-Lite-Preview – শাংথাং-এর ওপেন-সোর্সড হালকা মাল্টিমোডাল মডেলAI বড় মডেলSenseNova U1.5-Lite-Preview – শাংথাং-এর ওপেন-সোর্সড হালকা মাল্টিমোডাল মডেলটি NEO-Unify আর্কিটেকচারের ওপর ভিত্তি করে তৈরি। 8B-MoT প্যারামিটারের মাধ্যমে এটি ভিশন বোঝা, যুক্তি, জেনারেশন ও এডিটিংকে একটি স্বাভাবিক ইউনিফায়েড কাঠামোয় একত্র করে। মডেলটি স্বাভাবিকভাবে 4K আল্ট্রা-হাই-ডেফিনিশন ছবি তৈরি করতে পারে এবং সূক্ষ্ম টেক্সচার, বাস্তবসম্মত উপাদানগত বৈশিষ্ট্য এবং চীনা ও ইংরেজি জটিল লেআউটের টেক্সট রেন্ডারিং সমর্থন করে। এতে থাকা Prompt Enhance Skill সৃষ্টির বাধা কমায়, দীর্ঘ প্রাকৃতিক ভাষা ও কাঠামোবদ্ধ ভিজ্যুয়াল নির্দেশনা নির্ভুলভাবে অনুসরণ করতে পারে এবং ধারাবাহিক পুনরাবৃত্তিমূলক এডিটিং সমর্থন করে। ডিজাইনার, ডেভেলপার ও কনটেন্ট নির্মাতাদের জন্য এটি কম ডিপ্লয়মেন্ট খরচ এবং উচ্চ নির্দেশনা-অনুসরণ ক্ষমতাসম্পন্ন বাণিজ্যিক মানের ভিজ্যুয়াল ক্রিয়েশন টুল।10
MAGI-2-preview – Sand.ai-এর ওপেন সোর্স মাল্টিমোডাল ভিডিও জেনারেশন মডেলএআই ভিডিও জেনারেশনMAGI-2-preview – Sand.ai-এর ওপেন সোর্স মাল্টিমোডাল ভিডিও জেনারেশন মডেল হলো Sand.ai-এর ওপেন সোর্স করা বিশ্বের প্রথম ১০০ বিলিয়ন-স্তরের MoE মাল্টিমোডাল ভিডিও জেনারেশন মডেল; এতে মোট 114B প্যারামিটার রয়েছে, যার মধ্যে সক্রিয় হয় মাত্র 6B। মডেলটি সিঙ্গেল-স্ট্রিম আর্কিটেকচার বজায় রেখে টেক্সট, ভিডিও ও অডিওকে একই Transformer-এ যৌথভাবে মডেল করে এবং নেটিভ মাল্টিমোডাল জেনারেশন সক্ষম করে। এর মূল সুবিধার মধ্যে রয়েছে টেক্সট, ছবি ও ভিডিও-টু-ভিডিও জেনারেশন এবং নেটিভ অডিও বোঝাপড়ার সমন্বয়। MoE-এর স্পার্স অ্যাক্টিভেশনের মাধ্যমে ইনফারেন্স খরচ উল্লেখযোগ্যভাবে কমানো হয়। AI গবেষক, ডেভেলপার ও এন্টারপ্রাইজ প্রযুক্তি দলের জন্য তৈরি এই মডেলটি একাডেমিক গবেষণা, প্রাইভেট ডিপ্লয়মেন্ট এবং মাল্টিমোডাল চলচ্চিত্র প্রিভিজুয়ালাইজেশনের মতো কাজে ব্যবহারযোগ্য। এটি বাণিজ্যিকভাবে ব্যবহারযোগ্য একটি ওপেন সোর্স ও দক্ষ ভিডিও জেনারেশন সমাধান।00
Hunyuan3D-Buffalo 1.0 – টেনসেন্ট হুনইয়ান推出 3D মাল্টিমোডাল ফ্রেমওয়ার্ক3D ডিজাইনHunyuan3D-Buffalo 1.0 – টেনসেন্ট হুনইয়ান推出 3D মাল্টিমোডাল ফ্রেমওয়ার্ক হলো টেনসেন্ট হুনইয়ান推出 একটি একীভূত 3D মাল্টিমোডাল ফ্রেমওয়ার্ক। শেয়ার করা Hunyuan3D-VLM ব্যাকবোনের মাধ্যমে এটি 3D প্রশ্নোত্তর, স্থানিক অবস্থান নির্ধারণ, টেক্সট-টু-3D, নির্দেশনাভিত্তিক সম্পাদনা এবং কম্পোনেন্ট জেনারেশনকে একটি একক ওয়ার্কফ্লোতে একীভূত করে। এই ফ্রেমওয়ার্ক প্রাকৃতিক ভাষার মাধ্যমে 3D মডেলের কাঠামো বোঝা, কম্পোনেন্ট শনাক্ত করা, নির্দেশনা অনুযায়ী স্থানীয় জ্যামিতি পরিবর্তন করা এবং অর্থবোধক কম্পোনেন্ট বের করা সমর্থন করে। এর লক্ষ্য হলো 3D বোঝাপড়া, জেনারেশন ও সম্পাদনার মধ্যে একটি পূর্ণাঙ্গ চক্র তৈরি করা এবং গেম, অ্যানিমেশন ও শিল্প-নকশার জন্য সমন্বয়যোগ্য 3D অ্যাসেট উৎপাদন ব্যবস্থা প্রদান করা। মূল বৈশিষ্ট্যের মধ্যে রয়েছে 3D বোঝাপড়া, টেক্সট-টু-3D, নির্দেশনাভিত্তিক সম্পাদনা এবং কম্পোনেন্ট জেনারেশন। এই চার ধরনের কাজ একই 3D অর্থবোধক উপস্থাপনা ও প্রসেসিং পাইপলাইন ভাগ করে। এটি গেম ডেভেলপার, অ্যানিমেশন নির্মাতা, শিল্প-নকশাবিদ এবং 3D কনটেন্ট নির্মাতাদের জন্য উপযোগী। প্রাকৃতিক ভাষায় মিথস্ক্রিয়ার মাধ্যমে এটি পেশাগত দক্ষতার বাধা কমায় এবং অ্যাসেট পুনর্ব্যবহার ও পুনরাবৃত্তি-ভিত্তিক উন্নয়নের দক্ষতা বাড়ায়।00এই ট্যাগযুক্ত সব টুল দেখানো হয়েছে।