谷歌NotebookLM推“电影级”视频模式，整合Gemini与Veo模型重塑AI叙事
Google近日为NotebookLM上线了Cinematic（电影级）视频模式，标志着AI阅读助手从文本摘要向动态视频生成进化。该模式结合Gemini 3音频与Veo 3视频模型，能将文档转化为约5分钟、包含动态画面的视频综述，主要由AI...
标签索引 / 第 9 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
个人开发者推出 AI 浏览器自动化 Agent S6：支持 BYOK 纯前端运行，对标 Claude for Chrome
一位个人开发者发布了名为 Agent S6 的浏览器扩展，旨在为 Claude for Chrome 和 Gemini Auto Browse 提供替代方案。该工具最大的亮点在于注重隐私保护，支持自带 API Key (BYOK) 模式，实...
源3.0 Ultra重磅开源：万亿级MoE多模态大模型，预训练效率提升49%
Yuan3.0 Ultra多模态大模型正式发布并开源。该模型采用统一架构，结合视觉编码器与103层Transformer语言主干网络，基于混合专家（MoE）技术构建。通过创新的LAEP方法，模型参数规模优化至1010B，激活参数为68.8B...
Qwen 3.5系列小型模型发布：原生多模态加持，全面赋能端侧AI
Qwen（通义千问）正式推出3.5系列小型模型，涵盖0.8B、2B、4B和9B四个版本。该系列模型基于统一的Qwen 3.5平台构建，核心优势在于具备原生多模态能力、改进的架构以及扩展的强化学习机制。新模型针对不同场景进行了精准定位：0.8...
千问Qwen3.5全量开源小尺寸模型：最小0.8B支持多模态，4B专为Agent打造
阿里巴巴千问团队宣布开源Qwen3.5系列的四款小尺寸模型（0.8B、2B、4B、9B），进一步完善开源生态。其中，0.8B和2B模型极致轻量，0.8B更是支持多模态，成为移动端与IoT设备的理想选择；4B模型被定位为轻量级Agent强劲基...
告别关键词死板过滤：开源 Flarum 插件利用 LLM 实现多模态智能审核
针对传统社区审核工具仅支持关键词匹配的局限性，开发者推出了一款基于 LLM 的 Flarum 内容审核插件。该插件利用大语言模型的多模态能力，不仅能精准识别文本违禁词，还能智能审核用户上传的图片、头像及签名，显著降低 UGC 社区的法律风险...
传DeepSeek下周发布V4多模态大模型，携手华为与寒武纪适配国产芯片
据《金融时报》报道，DeepSeek计划于下周发布代号为V4的新一代大语言模型。不同于以往的纯文本模型，V4将是一个支持图片、视频和文本生成的“多模态”模型，标志着其在多模态领域的重大突破。尤为引人注目的是，DeepSeek已与华为及寒武纪...
社区实测DeepSeek新模型：审美直觉媲美Claude，但空间能力存短板
Linux.do社区用户针对DeepSeek最新模型检查点进行了深入测试。对比发现，非推理版本（v4l）底座实力强劲，在CSS编写等需要审美直觉的任务上表现出色，甚至媲美Claude；而融合了v3.2 speciale的推理模型虽然逻辑更严...
调研直击LLM痛点：有偿征集金融与法务领域的复杂多模态工作场景
一项针对大语言模型（LLM）在垂直领域应用深度的调研正在展开。调研指出，当前LLM虽能顺畅处理单一PDF，但在面对泛金融（如投研尽调）和泛法务（如合规审查）中涉及的多文件、跨模态（Excel、PDF、截图、图片等）及长上下文的复杂任务时仍显...
知乎AI全栈工程师培养计划：涵盖Prompt、RAG、微调及多模态全链路技术
该资源汇集了知乎AI大模型全栈工程师培养计划（第六期）的完整课程体系，为当前AI开发者提供了一套系统化的学习图谱。课程内容极具深度，不仅涵盖软件开发基础、Prompt工程、神经网络与Transformer底层原理，还深入解析了RAG、Emb...