开源神器上架：利用多模态大模型API实现网页图片“沉浸式”翻译
一款名为“llm-image-translator”的开源浏览器插件正式上架Chrome商店。该工具直击现有翻译软件只能处理文本的痛点，允许用户接入自有的多模态大模型API（如Qwen、xAI等），对网页内的教程图、产品说明及文档配图进行高...
标签索引
多模态AI
这个标签下有 41 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
DeepSeek多模态能力实锤？用户反馈识图功能灰度范围扩大
据Linux.do社区用户反馈，DeepSeek的图像识别功能灰度测试范围似乎正在进一步扩大。此前未获得体验资格的用户近日发现已具备该功能，这标志着DeepSeek在多模态大模型领域迈出了关键一步。虽然官方尚未正式宣布全量开放，但这一迹象表...
AI 学习神器 LearnSmart：支持 B 站/播客多模态输入，打造沉浸式知识库
面对 AI 时代信息过载的挑战，一款名为 LearnSmart 的 AI 学习工具应运而生。该工具支持导入 YouTube、B 站视频、小宇宙播客、PDF、EPUB 等多模态信息源，能够将其转化为笔记、思维导图、测试题及多语言语音播客。相比...
实测 Google AI Studio 视频功能：Pro 账号疑似受限，多模态或成 Ultra 专属
近期，科技社区针对 Google AI Studio 的视频处理能力进行了广泛实测。多位用户反馈，即便调整网络环境，持有 Pro 订阅的账号仍无法直接上传本地视频文件或解析 YouTube 链接。这一现象引发了业界猜测：谷歌可能正将高算力消...
大模型多模态实测：DeepSeek在象棋OCR识别中“翻车”，Gemini完胜
一项针对中国象棋场景的OCR对比测试显示，多模态大模型在特定领域的表现参差不齐。测试要求模型识别棋盘截图并转换为标准UCCI/FEN格式。结果显示，Google Gemini是唯一完全正确的模型；GPT系列出现了部分颜色识别错误；而近期备受...
DeepSeek 视觉模型实测：地图与图像联想能力表现出色，多模态比拼 Gemini
近日，社区针对 DeepSeek 视觉模型进行了首轮实测，并将其与 Gemini 3.1 Pro、Kimi 等主流模型进行了横向对比。测试项目涵盖手指数量识别、军事装备细节（如直10毫米波雷达）、冷门航空知识、地图常识以及图像联想能力。结果...
低成本模型也能看图：利用OCR为DeepSeek等非多模态模型赋予视觉能力
随着DeepSeek等高性价比大模型的流行，如何在控制成本的同时实现多模态交互成为技术社区的热点讨论方向。针对非多模态模型无法直接处理图像的短板，一种“前置OCR处理”的混合架构方案备受关注。该方案旨在构建一个智能路由机制，在输入端识别到图...
Qwen 3.6 Plus 实测表现：手写识别能力碾压 GPT，但 AI 为什么总爱“加戏”？
近日，一项针对主流大模型手写文字提取能力的对比测试引发关注。测试对比了 Qwen 3.6 Plus、GPT、Llama 3.1 及豆包专家等多款模型。结果显示，Qwen 在识别潦草手稿时表现优异，不仅准确提取了内容，甚至自主添加了正确的概念...
xAI发布最新语音模型：Grok Imagine实现精准口型同步，生成能力大幅提升
xAI（埃隆·马斯克旗下的AI公司）发布了其最新的语音模型，显著提升了音频生成的流畅度与自然度。根据社区测试视频显示，新模型在处理高难度绕口令时表现依然流畅稳定，未见卡顿。此外，视频生成工具Grok Imagine也进行了重要升级，重点优化...
多模态AI新进展：TIPSv2通过增强“补丁-文本”对齐提升视觉语言预训练效果
TIPSv2 是一项针对视觉语言预训练（VLP）的最新研究成果，旨在解决现有模型在图像局部细节理解与文本语义对齐上的不足。该模型通过引入增强的“补丁-文本”对齐机制，将图像的细粒度特征（Patches）与相应的文本描述进行更精准的匹配。相比...