AI效率工具SnapMind更新：修复多项Bug，拟推多模态图像处理功能
开发者发布了 AI 文本处理工具 SnapMind 的更新版本，重点修复了使用 Azure OpenAI 模型时的对话异常问题，并解决了 Windows 桌面图标显示及系统托盘主题适配的 Bug。该软件主打一键调用大模型进行文档总结与翻译，...
标签索引 / 第 11 页
多模态
这个标签下有 190 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
AI大模型横向测评：从表格识别看国产模型“空间推理”能力的崛起
本文记录了一次针对Gemini、ChatGPT、豆包等五款主流AI模型的实战测评。在“将纸质表格照片转换为通知文本”这一真实办公场景中，大多数模型暴露了数据错位或幻觉问题。其中，字节跳动的豆包表现最为惊艳，它不仅完成了OCR识别，更通过逻辑...
字节跳动发布Seedance 2.0：支持全模态输入，视频生成能力行业领先
字节跳动正式发布了旗下新一代多模态大模型Seedance 2.0。该模型采用了业内领先的多模态音视频联合生成架构，打破了单一模态的限制，全面支持文字、图片、音频及视频四种模态的输入与生成。Seedance 2.0不仅继承了强大的内容生成能力...
网易有道推“OpenClaw”架构：AI助手正试图从“陪聊”真正跨越到“做事”
网易有道发布“OpenClaw”架构及个人助理Agent“LobsterAI”，试图打破AI仅能对话的局限。该技术聚焦于多工具编排、多模态输入与跨设备协同，旨在解决从“问答”到“任务执行”的闭环难题。此举若能稳定覆盖办公与生活场景，将显著提...
开发者实测：Kimi 复杂表格识别能力表现优异，国产大模型多模态应用分水岭显现
针对大模型在处理复杂表格识别任务中的实际表现，近期技术社区的反馈揭示了国产模型之间的显著差距。有开发者在对比测试中发现，虽然通义千问在该场景下被指表现不佳，但月之暗面的 Kimi（k2.5）在提取准确率上展现出较强竞争力。这一现象表明，在无...
模型周更时代：互联网研发真正该担心的，不是“跟不上”，而是“组织慢半拍”
这两周，几乎每天都在刷新的模型名字让人喘不过气： MiniMax（社区热议 M2.5）、GLM-5（媒体持续爆料）、Seedance 2.0、GPT-5.3-Codex、Claude Opus 4.6、Kimi K2.5，以及 Gemini...
蚂蚁集团开源全模态大模型 Ming-flash-omni 2.0，多项指标超越 Gemini 2.5 Pro
蚂蚁集团于2月11日宣布开源发布全模态大模型Ming-flash-omni 2.0。该模型在视觉语言理解、语音可控生成及图像编辑等关键能力上表现强劲，在多项公开基准测试中部分指标超越了谷歌Gemini 2.5 Pro。作为业界首个全场景音频...
谷歌Gemini被曝“变笨”？多模态识别翻车，视觉能力遭用户质疑
近日，科技社区热议谷歌AI模型Gemini疑似出现“降智”现象。有用户反馈，Gemini的多模态能力大幅下降，甚至出现将空客33x系列误认为波音787系列等低级错误，视觉识别表现被认为逊色于国内模型豆包。该现象引发了业界对于谷歌是否在为新模...
AI编程工具进化论：Claude Code如何“读懂”Excel与PDF？
V2EX社区热议AI coding工具对传统文档格式的理解能力。用户发现Claude Code能够直接读取Excel接口文档、PDF流程图及Word需求文档，引发对其背后技术原理的关注。即便未手动配置多模态模型，Claude通常通过后台强大...
Qwen 3.5即将到来：Hugging Face PR揭示线性注意力与MoE架构细节
据Hugging Face Transformers代码库的最新提交，阿里通义千问Qwen 3.5系列模型发布在即。代码中最引人注目的技术更新是引入了`Qwen3_5DynamicCache`，证实新模型将支持“线性注意力”机制，这能有效处...