填补沉浸式翻译短板：利用多模态大模型的浏览器扩展发布
针对现有网页翻译工具无法处理图片内嵌文本的痛点，社区开发者发布了一款名为“图片翻译助手”的浏览器扩展。该工具巧妙利用多模态生成模型API，实现了对网页图片内容的实时识别与翻译回填，有效补充了沉浸式翻译等主流插件在图像翻译领域的功能缺失。目前...
标签索引 / 第 2 页
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
智谱GLM-5V-Turbo发布：支持API调用，Coding Plan用户可申请内测
据智谱AI官方交流群消息，最新多模态大模型GLM-5V-Turbo已正式发布。目前该模型处于开放初期，暂不支持直接套餐订阅，仅开放API接口供开发者调用。智谱现面向Coding Plan用户开启内测申请通道，用户需填写官方问卷获取资格，并明...
终于能扔掉键盘了：开源工具ByeType利用多模态大模型重构语音输入
针对传统语音输入法识别准确率低、格式调整繁琐的痛点，开源项目“ByeType”提出了一种新范式：利用Qwen 3.5 Omni等多模态大模型直接处理音频，跳过传统语音识别环节。用户通过编写Markdown文件定义词汇表和转录规则，即可实现人...
通义千问Qwen3.5 Omni发布：256k超长上下文，全模态能力跃升
通义千问团队正式发布全模态模型Qwen3.5 Omni，其核心亮点在于支持高达256k的超长上下文窗口，能够处理超过10小时的纯音频或400秒的音视频输入。该模型具备极强的多语言能力，支持113种语种和方言的语音识别。功能方面，Qwen C...
老板要求AI“截图即生码”：前端开发的效率神话与技术现实
随着AI技术深入职场，“利用AI截图生成前端页面”成为热议话题。有开发者反馈，面对领导提出“10分钟内根据截图产出可工程化代码”的极限提效要求，现有的Codex等工具表现不佳，存在代码丑陋、样式还原度低及耗时长等问题。这一现象揭示了当前AI...
告别语音转写“翻车”：开源工具ByeType利用大模型搞定技术术语识别
针对传统语音输入无法准确识别技术术语（如PostgreSQL、Kubernetes）的痛点，开发者推出了开源工具ByeType。该工具摒弃了传统的ASR纠错模式，直接利用多模态大模型处理音频。用户可通过Markdown配置自定义词汇表（如同...
利用 AI Agent 打造“个人维基百科”：从整理老照片到构建数字化第二大脑
作者分享了使用 MediaWiki 和 Claude Code 构建开源项目“个人百科全书”的实践。通过将照片、聊天记录、地理位置及账单等多模态数据喂给 AI，系统能自动交叉验证并生成结构化的传记页面。这不仅展示了 AI 在处理非结构化个人...
开源新品：告别 Whisper，这款 macOS 语音输入工具利用多模态大模型实现“懂语境”转写
开发者 Maxwin 推出了一款名为 SpeakMore 的开源 macOS 语音输入工具。与传统 ASR（如 Whisper）方案不同，该工具直接调用多模态大模型（如 Gemini、通义千问）处理音频，实现从识别到优化的“一步到位”。其核...
多模态AI智能体实战翻车？阿里云百炼被指执行复杂任务时“幻觉”严重
近日有用户反馈，在使用阿里云百炼平台的“Coding Plan”及OpenClaw工具尝试自动化翻译手册并替换图片时遭遇严重挫折。尽管采用了支持多模态的国产大模型（如MiniMax-M2.5），AI智能体在执行复杂工作流时表现出明显的“降智...
微软揭秘Phi-4视觉推理模型：探索多模态智能体的强化学习新范式
微软研究院深度解析了Phi-4-reasoning-vision模型的开发历程，重点分享了在训练具备高级推理能力的多模态模型时的核心技术经验。文章详细探讨了如何利用“代理验证器”结合多模态强化学习技术，显著提升了模型在视觉理解与复杂逻辑推理...