MiniMax发布最新Agent桌面端：原生支持智能体团队协作，M3模型即将开源
MiniMax正式发布了最新的MiniMax Agent桌面端应用及配套技术报告。该产品的核心亮点在于原生支持“Agent Teams”多智能体协作模式，能够处理长程任务，并赋予Agent持续的记忆能力，实现系统的自我进化。此外，官方透露后...
标签索引
多模态大模型
这个标签下有 31 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
即梦AI短片创作全流程教程：集成DeepSeek与多模态大模型实战
本资源汇集了即梦AI短片创作的全套视频教程，共计50余个课时，内容涵盖从基础界面操作到高级模型应用的完整闭环。课程亮点不仅包括提示词工程、图生图、智能画布及AI音乐生成等技术细节，更深度结合了DeepSeek智能体植入与多模态大模型的前沿应...
探索AI代理新范式：纯视觉方案能否成为通用终端的终极解法？
当前AI代理的开发往往受限于API接口、UI结构或底层组件的差异性，导致每切换一个软件环境就需要重新设计任务路径，开发成本高昂且通用性极差。针对这一痛点，有技术社区提出了“纯视觉方案”的设想，即仅通过屏幕截图、OCR识别、图像理解配合键鼠模...
开源“造梦工厂”上线：接入火山引擎大模型，实现AI视频全流程自动化制作
“造梦工厂”V1.0 正式开源，这是一个基于 Next.js 的 AI 多模态视频生成平台。该项目深度整合了火山引擎的大模型能力，覆盖了从文案智能分镜、一致性图像生成到最终视频渲染的全链路流程。其核心亮点包括支持萌宠视频的画风一致性控制、口...
展现“医生级”细节捕捉力，DeepSeek多模态能力获实测好评
来自社区的实测案例显示，DeepSeek在视觉多模态领域展现出惊人潜力，特别是在处理胸部CT扫描等复杂医学影像时，表现出类似专业医生的细致观察力。用户反馈称，该模型不仅能识图，更能精准捕捉影像中的细微病灶与解剖结构。这一突破表明DeepSe...
Claude AI 展现医疗级读片能力：精准识别肉眼难辨的心电图异常
近日，在一项关于AI视觉能力的测试中，Claude模型展现出了惊人的医疗辅助诊断潜力。面对一张P波极小、肉眼难以观测的胸痛患者心电图，即便临床医生难以直接给出准确判断，Claude Opus凭借其大幅提升的视觉识别能力，成功捕捉到了核心异常...
开源新神器：电商套图一键生成，SKILL实现从商品图到营销素材的全流程AI自动化
开源项目“电商套图生成助手 SKILL” 近日发布，致力于实现电商营销素材的全自动化生产。该工具能够一键完成从商品原始图片到完整营销套图的转化，流程涵盖 AI 视觉分析、卖点提炼、Prompt 自动组织及图像渲染。项目集成了 Qwen、豆包...
多模态大模型“团战”失败？手写菜单识别竟成顶级AI的软肋
一则来自技术社区的帖子引发了广泛关注，该测试揭示了主流多模态大模型在特定场景下的实际短板。测试要求模型从包含复杂手写数字和勾选标记的菜单图片中，精准提取菜品名与数量，并强制输出为无Markdown干扰的YAML格式。结果显示，包括GLM-5...
火山引擎Seedance 2.0 API全面开放：支持图文音视四模态，加速AI视频生成商用
火山引擎今日正式对外开放 Seedance 2.0 系列 API，允许企业和个人开发者调用其先进的视频生成能力。该模型具备强大的多模态兼容性，打破了单一模态限制，支持文字、图片、音频及视频四种模态的混合输入。开发者不仅能利用其从零开始生成视...
抛弃CLIP与VAE，商汤联合NTU推出原生像素多模态大模型NEO-unify
商汤科技与南洋理工大学联合推出NEO-unify模型，该模型最大的创新在于摒弃了传统多模态架构中的Vision Encoder（如CLIP）和VAE组件。其采用Mixture-of-Transformer（MoT）架构，直接从原始像素出发，...