#多模态Agent

共 3 篇相关文章

MIRA是一个多模态图文深度研究Agent，通过生成契约控制报告粒度与多模态组合，在7个基准上取得开源SOTA，并实现文本与视觉证据可追溯。

实测NVIDIA Nemotron 3.5 Super VL开源模型：120B参数12B激活，集成视觉理解、推理与工具调用，在Deep Agents测试中达87%通过率，任务耗时比DeepSeek V4.1 Flash少55%。

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。