DeepSeek 多模态能力落地：识图功能实测上线，正式开启视觉理解新阶段
继在推理领域大放异彩后，DeepSeek 再次展现其技术野心。据社区用户实测反馈，DeepSeek 已悄然上线识图模式，正式迈入多模态交互时代。用户上传了一张在潮州拍摄的小猫图片，模型成功完成了识别与交互。这一更新标志着 DeepSeek ...
标签索引
视觉理解
这个标签下有 4 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
攻克VLM多图幻觉难题：解析API差异与两阶段工程解法
本文深入探讨了视觉语言模型（VLM）在处理多张图像时面临的“幻觉”挑战，特别是在跨场景三维理解等复杂任务中。研究发现，当输入图片超过一定数量，模型常出现逻辑混乱，且网页端与API调用表现差异显著。文章分析了注意力分散与Token成本之间的矛...
多模态 AI Agent：让 AI 看见、听见、理解世界
传统 AI Agent 只能处理文本。 但现实世界不只有文本，还有图片、音频、视频、传感器数据。 下一代 AI Agent 必须是多模态的。 能力一：视觉理解 让 Agent 能”看”。 应用场景： 图片分析：识别物...
Gemini 3 Flash 推出 Agentic Vision，利用代码执行重塑 AI 视觉推理
传统 AI 模型在处理图像时常因静态观察而遗漏细节。Gemini 3 Flash 推出的 Agentic Vision 改变了这一现状，它将视觉理解转变为一个包含“思考、行动、观察”的代理式循环。通过启用代码执行功能，模型能主动操作影像（如...