#多模态
共 1829 篇相关文章
科技前沿·6 分钟
Google I/O 2025 Gemini更新汇总：模型升级、多模态交互与AI Agent全面解析
全面解析Google I/O 2025大会上Gemini应用的重大更新，涵盖新一代模型能力提升、多模态交互深化、AI Agent智能代理功能，以及与ChatGPT、Copilot的竞争分析和开发者生态布局。
阅读全文 →
行业洞察·5 分钟
MiniMax公司全解析：多模态基础模型与AGI技术路线
深度解析MiniMax公司核心技术能力，包括多模态基础模型、超长上下文处理、Agent智能体等，了解这家AGI公司的产品生态与行业竞争优势。
阅读全文 →
产品体验·6 分钟
ElevenCreative Flows：节点式多模态AI创意协作工具深度体验
深度解析ElevenCreative Flows这款节点式AI创意管道工具，支持图像、视频、语音、音乐多模态生成，新增Figma式实时协作功能，适合品牌营销和设计团队构建可视化AI工作流。
阅读全文 →
科技前沿·4 分钟
Gemini Omni正式发布：一周内社区涌现大量惊艳多模态应用
Google Gemini Omni多模态AI模型正式发布，一周内开发者社区涌现大量创新应用。详解Gemini Omni核心能力升级、社区创作热潮及对AI行业的深远影响。
阅读全文 →
行业洞察·5 分钟
Altara Tech用OpenAI模型革新科研工作流：多模态数据处理与透明AI
Altara Tech利用OpenAI大模型为科学家和工程师打造透明、高效的多步骤研发工作流，支持多模态数据处理、推理可追溯，正在改变AI+科研的协作模式。
阅读全文 →
产品体验·4 分钟
Gemini 3.5 Pro深度评测：多模态断层领先，9.2分旗舰实力全解析
深度评测Google DeepMind旗舰模型Gemini 3.5 Pro，涵盖MMLU Pro 89.4分、Video ModeM 82.1分等基准数据，横向对比GPT 5.5、Claude 4.7，解析DeepThink推理、200万上下文窗口、多模态能力等核心优势与不足。
阅读全文 →
教程攻略·6 分钟
Gemini多模态Agent开发实战：理解到生成的全链路架构解析
深入解析Google Gemini多模态Agent开发方案，涵盖100万token上下文的多模态理解、原生图像与语音生成、Live API实时交互，以及Notebook LM克隆应用的完整构建过程与架构设计。
阅读全文 →
科技前沿·6 分钟
AI编码工具性能优化与多模态智能体最新进展盘点
深度解读AI编码领域最新动态：OpenAI Codex Chrome扩展打通浏览器登录态，Everything Cloud Code统一优化多平台AI编码工具，字节跳动UiTARS Desktop V0.2.0新增远程操控，文心大模型5.1预训练成本降至6%，Anthropic NLA技术让AI思维透明可读。
阅读全文 →
产品体验·4 分钟
Qwen3.6-27B开源模型评测：27B参数实现旗舰级代码与多模态能力
阿里Qwen3.6-27B开源模型深度解析：270亿参数稠密架构，单卡即可部署，代码生成能力超越前代旗舰。本文详解其技术优势、基准测试成绩、硬件配置方案及实际部署建议，助你低成本获得旗舰级AI编程与多模态理解能力。
阅读全文 →
产品体验·4 分钟
Gemini 3 Flash深度评测：编码、多模态、写作全面实测
深度评测Google Gemini 3 Flash在编码、多模态理解、写作翻译等方面的真实表现。涵盖Flash反超Pro的基准跑分解析、搭配Cursor的编程实战、视频音频图像识别全面测试，附实用建议与使用技巧。
阅读全文 →
教程攻略·8 分钟
LangChain多模态实战：用ChatPromptTemplate实现图片识别
详解LangChain框架中ChatPromptTemplate的多模态用法，支持URL、Base64、本地路径三种图片输入方式，附实战代码演示与PySide6桌面应用集成方案，快速上手多模态AI开发。
阅读全文 →
教程攻略·8 分钟
MiniMind-V：2小时从零训练65M参数视觉多模态大模型完整教程
MiniMind-V是一个开源轻量化视觉多模态大模型项目，仅需2小时即可从零训练65M参数VLM模型。本文详解其技术架构、训练流程及教育价值，适合AI初学者和研究者快速上手实践。
阅读全文 →
产品体验·7 分钟
中文预训练模型资源库：覆盖LLM与多模态的5500+ Star开源项目
awesome-pretrained-chinese-nlp-models 是GitHub上5500+ Star的中文预训练模型索引项目，系统收录BERT、ChatGLM、Qwen等大语言模型及多模态模型，按任务、规模、领域分类，帮助开发者快速完成中文NLP模型选型。
阅读全文 →
科技前沿·8 分钟
LLM 0.32重构解析：消息序列与多模态流式事件流设计
深入解析Simon Willison开源项目LLM 0.32a0 alpha版本的重大重构：从文本对话升级为消息序列构建和类型化流式事件流，支持多模态输出、工具调用和灵活序列化，向后兼容的渐进式API设计。
阅读全文 →
深度解读·6 分钟
awesome-LLM-resources：8000+ Star的LLM资料大全，覆盖多模态、Agent、MCP等11大方向
深度解读GitHub热门项目awesome-LLM-resources，一个8200+ Star的LLM资料总结仓库，覆盖多模态生成、Agent、辅助编程、o1模型、MCP、小语言模型等核心方向。
阅读全文 →
深度解读·7 分钟
LLM 0.32a0 重大重构解析：向后兼容的架构升级如何应对多模态与工具调用时代
深度解析 Simon Willison 的 LLM Python 库 0.32a0 alpha 版本，涵盖消息序列、流式类型化部件、工具调用等核心变更，以及向后兼容重构的设计哲学。
阅读全文 →
·8 分钟
Meta推出Pocket：像刷TikTok一样玩AI生成游戏
Meta推出AI社交应用Pocket，用户通过自然语言描述即可生成可玩的互动游戏，支持触摸、动作、声音等多模态交互，并像TikTok一样分享和混编创作，开辟AI原生社交内容新形态。
阅读全文 →
·6 分钟
Annotate：屏幕录制变成AI编程提示词的新工具
Annotate是一款本地优先的免费工具，通过屏幕录制、画圈标注和语音讲解生成多模态提示词，直接对接Cursor、Claude、Codex等AI编程代理，解决开发者需求表达难题。
阅读全文 →
