Google 推出 Gemini Embedding 2：首个原生全模态嵌入模型
Google 宣布推出首个原生全模态 Embedding 模型——Gemini Embedding 2，并上线预览版。开发者现可通过 Gemini API 和 Vertex AI 使用该模型。不同于传统仅支持文本的嵌入技术，Gemini E...
标签索引 / 第 3 页
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
40集AI全能实战课：从提示词工程到文生图视频，全方位提升办公效率
本资源汇集了一套完整的AI办公综合应用课程，共包含40集视频教程，全方位覆盖了AI在职场办公与创意生产中的实际应用。课程内容从基础的提示词工程（Prompt Engineering）、万能公式讲起，延伸至利用AI进行营销策划、文案写作、PP...
硬核DIY：开发者开源实体军棋裁判，用AI模型“火眼金睛”判棋
一位开发者开源了实体军棋裁判项目。该系统通过图像处理结合阿里通义千问Qwen3-vl-flash多模态大模型，实现了对实体棋盘的棋子识别与局势判断。针对物理光照难题，作者采用了手机旁加补光灯的低成本“物理外挂”方案。项目代码主要借助AI辅助...
NotebookLM技术揭秘：如何在无字幕状态下解析YouTube视频？
近期，用户发现NotebookLM能够精准总结许多原本没有字幕的YouTube视频，这一“神奇”功能引发了技术社区的好奇。实际上，这并非依靠传统的OCR字幕提取，而是得益于NotebookLM背后集成的Google Gemini大模型原生多...
Math AI：支持逐步推导与可视化的免费数学解题神器
Math AI 是一款支持从高中代数到大学微积分的免费在线求解器。其核心特色在于提供“速度模式”与“教练模式”，后者能逐步拆解解题逻辑，旨在培养用户的数学思维而非单纯提供答案。此外，工具集成了手写公式识别、自动函数绘图及 3D 几何可视化功...
遭遇“滑铁卢”：多模态 AI 竟数不清一副麻将，暴露视觉推理硬伤
近期有科技爱好者发现，在向多模态大模型展示一副存在缺失（少一张北风）的中国麻将图片并询问牌数时，多个主流模型均未能识别出错误。这一现象并非个例，它深刻揭示了当前 AI 技术在视觉逻辑推理上的局限性。大模型往往侧重于图像的语义理解而非像素级精...
多模态大模型“几何还原”实测：Gemini、Kimi与Qwen谁能精准复刻数学图？
为了评估AI在辅导高中数学时的实际能力，一项将“数学几何图片转换为SVG代码”的对比测试引发了热议。测试严格考察模型对正方形、直角三角形、字母标注及线条颜色的还原精度。在Gemini 3.1 Pro、Qwen 3.5 Plus和Kimi K...
Opencode进阶指南：解锁多模态与深度思考，优化Token缓存成本
本文针对Opencode用户在使用自定义AI模型（如GPT-5.2、Claude Opus）时遇到的传图失败、不展示思考过程及Token消耗过高等痛点，提供了硬核解决方案。通过手动修改配置文件中的`modalities`与`options`...
社区热议：DeepSeek多模态短板显现，谁才是QQ群聊机器人的最佳模型？
本文探讨了在即时通讯场景下部署AI机器人的模型选择痛点。发帖者实测发现，目前热门的DeepSeek v3.2存在严重的“人机感”和上下文理解短板，且缺乏原生视觉能力，不得不借助Qwen识图但效果不佳。相比之下，Gemini在多图处理上易出现...
告别单纯文字记录：Tavus推出实时多模态语音感知系统
Tavus的技术专家发布了一款实时多模态感知系统，旨在解决现有对话式AI过度依赖“逐字稿”的痛点。目前的绝大多数语音系统会将对话降维为文本，丢弃了大量非语言信号，而现有的情绪模型又难以在实时性和丰富度上兼顾。该新系统充分利用语音和视频信号，...