GPT-4o 重返网页端 Alpha 菜单，OpenAI 或启动新一轮灰度测试
据用户反馈，OpenAI 的最新旗舰模型 GPT-4o 近日再次出现在 ChatGPT 网页端的 ‘Alpha 实验模型’ 子菜单中。此前该模型在网页端一度不可用，主要集中于移动端体验。此次现身表明 OpenAI 正...
标签索引
多模态模型
这个标签下有 9 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
多模态 AI 的“视觉盲区”：现有 MCP 搜索工具为何难以支持图像输入？
尽管多模态大模型已具备强大的视觉理解能力，但在实际落地中仍存在明显的“输入断层”。近日有开发者指出，目前流行的 AI 客户端如 Cherry-Studio 在集成 MCP（模型上下文协议）搜索功能时，现有的搜索引擎（如 Searxng 和 ...
商汤颠覆性开源 SenseNova-U1：摒弃 VAE，原生统一图文理解与生成
商汤科技开源了全新的多模态模型家族 SenseNova-U1，打破了 Stable Diffusion 的传统范式，无需 VAE 和独立视觉编码器，仅通过一个端到端的 Transformer 实现像素级与文本的统一处理。该模型在文字渲染上取...
AI Agent 新锐 RamAIn 招募创始工程师：打造“像人一样操作电脑”的超速自动化
YC W26 孵化项目 RamAIn 正在寻找创始级 AI/ML 研究工程师，致力于构建“世界上最快的计算机使用代理”。该团队旨在通过 AI 模拟人类操作键盘鼠标，自动化处理企业遗留系统、桌面应用及 Web 门户中的重复性工作。其联合创始人...
谷歌 API 风险加剧，开发者急寻具备多模态能力的 Gemini 替代方案
随着谷歌对反代账号及 API 调用渠道的严厉封杀，依赖 Gemini 进行应用开发的独立开发者面临严峻挑战。一位构建 QQ 群“猫娘”助手的开发者因账号被封，急需寻找能够替代 Gemini 的模型。尽管智谱 GLM 等国产模型被提及，但其在...
巧用AI Agent自动化生成CUE文件：Gemini与GLM-4的实战应用
针对冷门CD专辑在主流平台缺乏元数据索引导致手动编写CUE文件极为繁琐的问题，一位开发者分享了一套高效的AI自动化解决方案。该方案首先利用Gemini强大的多模态OCR能力，将扫描的专辑小册子精准识别为文本；随后调用GLM-4智能Agent...
字节跳动推出全新音视频生成模型Alive：实现视听同步生成，性能对标商业SOTA
字节跳动旗下的 FoundationVision 团队发布了一款名为“Alive”的统一音视频生成模型。该模型基于 MMDiT 架构，能够在单一框架内同时支持文本生成视频与音频（T2VA）以及参考图像生成动画。Alive 引入了 TA-Cr...
AI一键生成PPT新探索：大模型直出底图与文字布局
受大模型本地项目启发，一位开发者尝试利用多模态AI同时生成PPT底图与结构化文字信息。通过构建MVP，他编写Python脚本解析模型输出的坐标数据，并使用PIL库将文字绘制在底图指定位置，成功验证了技术可行性。尽管目前面临文字错位及样式控制...
智谱多模态团队AMA活动：GLM-4.6V等5款开源模型等你提问
智谱多模态模型训练团队宣布本周已发布5款开源模型，包括GLM-4.6V、CLM-TTS和GLM coding plan等前沿AI技术产品。团队将于北京时间12月11日傍晚6点至10点举办AMA活动，邀请用户就相关技术问题进行直接交流。在活动...