一文搞定：Clawdbot 多模型 AI 机器人快速部署与实战配置
本文详细介绍了热门项目 Clawdbot (Moltbot) 的部署与配置方案。作者推荐利用 Zeabur 平台实现快速搭建，并对服务器选型与网络环境提供了建议。文章深入讲解了如何集成 Minimax、Google Antigravity ...
标签索引 / 第 13 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
全AI编写！本地多模态搜索工具小遥搜索正式开源
开发者开源了本地 AI 搜索桌面应用“小遥搜索”。该工具支持语音、文本、图片等多模态输入，完全在本地运行以确保数据隐私。项目最显著的特点是从零开始完全通过 Vibe Coding（AI 辅助编程）实现。技术架构上，集成了 BGE-M3、Ol...
PaddleOCR-VL-1.5重磅发布：0.9B参数实现SOTA，重塑文档解析极限
PaddleOCR-VL-1.5 正式发布，基于创新的不规则形状定位算法 PP-DocLayoutV3，显著提升了在扭曲、倾斜等真实场景下的文档解析能力。其 0.9B 紧凑多模态模型在 OmniDocBench v1.5 基准上达到 94....
OpenAI 推出全新科研工具 Prism：集成多模态能力
OpenAI 悄然发布了一款名为 Prism 的全新科研工具，目前已开放访问。该工具集成了对话交互、图像识别（包含公式识别）以及语音模式等多种功能，显示出强大的多模态处理能力。尽管早期反馈显示其界面设计较为粗糙，但这通常意味着工具仍处于早期...
开源AI漫画编辑器：Gemini/Kimi全自动翻译嵌字
开发者开源了一款名为 MangaType Live 的 AI 漫画编辑器，通过调用具备视觉能力的 LLM（如 Gemini、Kimi）实现全自动翻译与嵌字。该项目摆脱了传统机翻软件繁琐的调整过程，利用多模态 AI 替代了高负载的专用模型。测...
Kimi官网升级K2.5：多模态能力比肩Gemini，综合实力强劲
Kimi官网已悄然更新，原有的K2及K2思考模型被全新的K2.5版本取代。用户反馈显示，K2.5在大部分真实应用场景中，能力已达到GPT和Gemini等顶尖模型的水准。特别是全新加入的多模态能力，表现尤为亮眼，被评价为等于或超越Gemini...
硬核测评：Claude、ChatGPT、Gemini四大模型实战优缺点对比
本文基于实际使用体验，对比了Claude、ChatGPT、Gemini和Grok四大主流大模型的优缺点。Claude生成速度快，适合从0到1构建，但思考较浅，代码易成“屎山”；ChatGPT思考深入，擅长处理复杂后端逻辑，但生成速度较慢；G...
DeepSeek悄然解锁多模态能力，实测已支持图像识别
DeepSeek在近期更新中悄然上线了多模态能力。经用户测试，DeepSeek App及网站现已能够识别并理解图片内容，如准确辨认物体等。这一更新标志着DeepSeek从纯文本模型向图文结合的多模态AI迈进，补齐了其在视觉感知方面的短板，使...
全能AI助手AMC更新：支持Markdown转PDF与富文本粘贴
开源AI工具AMC发布重要更新，深度集成Gemini生态。新版本支持将带网络图片的Markdown转换为PDF，并实现网页富文本与本地文件的直接粘贴。该工具具备多模态交互、联网搜索、代码执行及长文档分析能力，结合Gemini的视觉与文字双重...
智谱 AI (Z.ai) 新模型 GLM-OCR 现身 GitHub，多模态能力或再升级
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...