标签：多模态

近日，Z.ai（智谱 AI）团队在 GitHub 平台悄然上线了名为 GLM-OCR 的新模型仓库。作为 GLM 系列的延伸，该模型专注于光学字符识别（OCR）与文档理解技术，旨在解决复杂视觉场景下的文字提取与解析难题。这一动作不仅丰富了智...

赞(0)Toy2026-01-22前沿 阅读(14)去评论

V2EX 用户分享了一项有趣的实验，向 ChatGPT 发送指令，要求其基于历史对话生成图片，直观呈现用户对待 AI 的态度且不加粉饰。这一互动不仅展示了 ChatGPT 在多模态生成与长程记忆理解方面的能力，也反映了当前大模型在个性化交互...

赞(0)Toy2026-01-21前沿 阅读(15)去评论

Y Combinator孵化项目Channel3致力于构建全球互联网产品数据库，旨在解决AI代理商业化中的数据混乱难题。公司利用多模态AI技术理解产品页面，已索引超1亿产品，服务1500多名开发者。Channel3目标成为AI交易的基础设施...

赞(0)Toy2026-01-20前沿 阅读(11)去评论

全能 AI 聊天助手 AMC（All-Model-Chat）发布重大功能更新。新版本支持完整呈现 Gemini 的原始思维链，为开发者提供了观测模型逻辑推导过程的窗口，增强了可解释性。同时，新增的半篡改续写功能允许用户在 AI 生成过程中进...

赞(0)Toy2026-01-20前沿 阅读(22)去评论

格灵深瞳正式发布名为「丹青」的大规模中文视觉语言预训练数据集。该数据集包含1亿组精选图文配对，基于2024至2025年网络数据构建，具备高时效性与高质量特性。实验显示，基于该数据集训练的模型在零样本分类、跨模态检索及LMM评测中表现显著优于...

赞(0)Toy2026-01-19前沿 阅读(21)去评论

本文记录了利用Gemini分析图像并生成提示词，再由Suno V5创作音乐的第三期实验。作者展示了多首风格各异的作品，从怀旧青春到悬疑特工，并深入点评了Suno V5在编排上的惊艳表现及混音质量的不稳定性。特别是关于“华为版”与“苹果版”的...

赞(0)Toy2026-01-18前沿 阅读(38)去评论

本次资源公开了“黑马AI大模型第三期”的完整课程体系，内容涵盖从Python基础到高级大模型开发的全方位知识。课程分为六个阶段，重点讲解大模型应用工具、Prompt工程、Agent开发、LangChain框架以及多模态技术。此外，包含金融、...

赞(0)Toy2026-01-17前沿 阅读(37)去评论

谷歌基于Gemma 3架构推出TranslateGemma开源翻译模型系列，包含4B、12B和27B三种参数规模，支持55种语言及多模态图像翻译。测试显示，TranslateGemma 12B性能超越参数量翻倍的27B基线模型，而4B小模型...

赞(0)Toy2026-01-16前沿 阅读(43)去评论

近期测试发现，Google Gemini 在处理多图上传时存在逻辑反转问题。当用户上传多张图片时，Gemini 会将最后上传的图片视为第一张，与用户直觉相悖。相比之下，Grok、豆包和 Claude 均能正确识别图片顺序。值得注意的是，如果...

赞(0)Toy2026-01-12前沿 阅读(33)去评论

Gemini作为多模态AI模型，可直接通过垫图生成细节完善的海报，避免复杂的提示词工程。GitHub工具’banana-prompt-quicker’支持一键插入提示词和参考图，提升效率。实用技巧：添加’...

赞(0)Toy2026-01-09前沿 阅读(38)去评论

2026年1月8日，阿里Qwen团队推出Qwen3-VL-Embedding和Qwen3-VL-Reranker，首批基于Qwen3-VL的开源多模态嵌入与重排序模型。这些模型统一处理文本、图片、截图、视频及混合模态输入，映射到高维语义空间...

赞(0)Toy2026-01-08前沿 阅读(40)去评论

字节跳动火山AI团队急招大模型应用算法工程师和后端开发工程师，职位要求深度掌握大模型核心技术，包括SFT、RLHF、RAG、Agent等，熟悉LangGraph等框架。招聘信息反映行业对AI大模型人才的高需求，强调多模态和智能代理应用趋势，...

赞(0)Toy2026-01-08前沿 阅读(35)去评论

厦门实验室发布的Unity多模态AI模型声称性能超Gemini，实测显示其思维链有Gemini色彩，多模态测试表现稳定（如识别logan），但代码测试失败（如宝塔报错）。结论认为该模型可能是Gemini蒸馏产物，知识库保留但其他性能缺失，存...

赞(0)Toy2026-01-08前沿 阅读(45)去评论

作者通过实际测试对比了Gemini 2.5 Flash、2.5 Pro、3 Flash和3 Pro在阅读机械工程论文时的表现。结果显示，2.5 Pro在解释详略程度上最满意，输出内容全面且无显著错误；2.5 Flash虽输出长但存在幻觉；3...

赞(0)Toy2026-01-08前沿 阅读(34)去评论

memU是一款创新的AI记忆框架基础设施，采用独特三层架构，通过文件系统高效存储记忆数据。该项目轻量级设计，高度可拓展，原生支持多模态数据处理，并融合RAG与非嵌入双检索模式，提升AI系统性能。开源于GitHub，作者积极邀请开发者社区参与...

赞(0)Toy2026-01-07前沿 阅读(37)去评论

Zotero-AI-Butler是一款开源AI插件，自动扫描并精读PDF论文，生成Markdown笔记。支持多模态直读数学公式和图表，集成侧边栏实时交互，一键生成学术海报。兼容OpenAI、Claude、Gemini等模型，隐私安全，成本低...

赞(0)Toy2026-01-07前沿 阅读(50)去评论

本周深度总结2025年Agent元年的三大要点：技术底层从对话到推理的突破，交互模式从人找工具到工具找人的变革，商业落地从Demo到生产力的规模化。讨论AI时代人类稀缺特质回归本质，梳理业界动态如Meta收购Manus、GLM-4.7发布、...

赞(0)Toy2026-01-05前沿 阅读(40)去评论

本文提供了AI大模型全栈工程师第9期的完整课件资源，包括视频课程和配套工具包，覆盖大模型应用开发基础、Prompt Engineering、模型微调（上下）、多模态大模型（上下）、神经网络和Transformer详解、LangChain、R...

赞(0)Toy2026-01-05前沿 阅读(48)去评论