-
ollama 大版本0.7 发布，新引擎支持多模态模型
简介Ollama 发布大版本 v0.7.0，包括新的模型引擎，支持多模态大模型：• Meta Llama 4[1]• Google Gemma 3[2]• Qwen 2.5 VL[3]• Mistral Small 3.10[4]• 其它视觉模型[5]升级 ollamav0.7.0及以上版本的 ollama 才支持多模态模型，如果版本低于…- 5
- 0
-
退订即梦、可灵、Vidu、Mj，只因我有了Lovart
近期，一款名为Lovart的产品，以其“全球首款专业设计类Agent” (Design Agent)的定位，引发了国内外AI用户的广泛关注。第一时间，我也去找官方求了内测邀请码，在最近这一周多的深度测试使用下来，相比其他AI文生图产品，感觉到这个带有“思考”能力的Lovart，不仅仅只是一个文生图的工具，简直就是你的全能型专属AI设计总监！大家都有感受，AI文生图、AI设计领域的产品进化可谓是日新…- 125
- 0
-
全球首款设计Agent，Lovart在海外大火，马斯克亲自点赞
2025年，正在成为Agent元年，也是大年。最近，一款Design Agent在海外火爆上线，其Demo视频在X上收获了近70w的观看量。这款产品有多火呢？火到X用户@Robert Scoble 用Lovart做的Tesla广告，刚刚被马斯克亲自点赞。这张Cybertruck汽车的户外海报，丑（UGLY）并酷着。这位X博主用的AI产品，正是来自中国的Lovart，体验地址lovart.ai。据沃…- 3
- 0
-
破解RL训练崩溃难题，快手联合中科院、清华、南大提出多模态奖励模型R1-Reward！
多模态奖励模型（MRMs）在提升多模态大语言模型（MLLMs）的表现中起着至关重要的作用，在训练阶段可以提供稳定的reward，评估阶段可以选择更好的sample结果，甚至单独作为evaluator。尽管近期强化学习（RL）在传统视觉任务和多模态推理任务中取得了显著进展，但其在奖励建模中的应用仍然受到挑战，尤其是如何通过强化学习对奖励模型引入长期推理能力。快手、中科院、清华、南大的研究团队发现，直…- 3
- 0
-
深度体验 Lovart：这才是AI Design Agent！设计领域终于迎来了它们的「神」
前几天红杉 AI 峰会闭门6小时会议，150位全球顶尖AI创始人齐聚红杉资本会场。会议中留下了一些共识「下一轮 AI，卖的不是工具，而是收益。」真正的 AI 产品，不是“有没有能力”，而是“有没有结果”；不是“你点它做了什么”，而是“它替你完成了什么”。什么意思呢？就是 AI 不再只是被调用的模型，而是可以自主行动、可以自主决策、可以参与合作的经济参与者。而2025，无疑是AI Agent之年，各…- 3
- 0
-
看见设计的未来：Lovart 全球首个设计 Agent 体验
最近一直在内测一款令人惊艳的 Agent 产品，今天总算官宣了。它叫 Lovart，是世界上第一个专业设计 Agent。在 GPT 4o 生图功能上线之后，文生图领域便进入了新的时代。文生图模型的重大进步，也为设计工具的 Agent 化提供了全新的可能。那设计 Agent 到底是什么？让我们来看一段官方视频，感受一下：Lovart 的三个特点：一、全链路设计和执行，一句话搞定以前的文生图工具，它们…- 4
- 0
-
什么是基于知识图谱的多模态推理？
一、多模态推理基础：让AI学会“看、听、想”1. 什么是多模态推理？多模态推理是指机器通过整合多种感官模态信息（如文本、图像、音频、视频等），结合逻辑分析与语义理解，推导出隐含结论的过程。就像人类看到乌云密布会推测即将下雨，AI也能通过分析图像中的乌云和风速传感器的数据，预测天气变化。2. 多模态推理 vs 单模态推理维度多模态推理单模态推理输入源融合文本、图像、音频等单一数据源（如纯文本）…- 3
- 0
-
让Dify知识库“看懂”图片！一款MinerU 工作流解决方案
您是否正在遭遇以下困扰？有一个重要资料是纯图片格式，有一个文档是扫描版的PDF，想上传到dify的知识库做解析，可Dify根本读取不到。为了解决这个问题，我们可以使用MinerU来完美解决，让你的Dify知识库拥有解析图片的能力。本文将详细介绍一个工作流，使你的Dify知识库也拥有OCR的能力。(本文Dify版本为1.3.1)前期准备部署MinerU-API参考本公众号前两篇文章《在Dify中使用…- 5
- 0
-
Gemini API 集成 Imagen 3，带来更强大的图像生成功能
开发者现在可以通过 Gemini API 访问 Google 最先进的图像生成模型 Imagen 3。该模型最初仅对付费用户开放，不久后也将面向免费用户推出。Gemini APIhttps://ai.google.dev/gemini-api/docs/imagenImagen 3https://ai.google.dev/gemini-api/docs/imagen…- 6
- 0
-
Veo 2正式登陆Google AI Studio了——实在太疯狂了！
当时随便逛逛Google AI Studio，纯粹出于好奇想看看他们又搞了什么新花样。然后偶然发现了Veo 2。一开始我没抱什么期望……直到我随手输入了一个提示语并点击了“运行”。接下来发生了什么？我直接愣住了。我输入的文字，竟然瞬间变成了一段视频——是的，一段真正的、动态的、电影级的视频片段。只需要一句话，不需要任何高级软件，不需要编辑技巧，仅仅凭借想象力，敲几个字，砰的一下，奇迹就发生了。?所…- 4
- 0
-
GPT-4 和 GPT-4o的主要区别
一、GPT-4 和 GPT-4o的主要区别GPT-4o 是基于 GPT-4 的升级版本，新增了多模态功能，不仅能处理文本，还能理解和生成图像、视频等多种格式的内容。这使得 GPT-4o 成为一个原生多模态模型，具有更快的响应速度和更低的延迟，提高了在处理文本、音频和视觉信息的能力。另外一个区别是GPT-4o的聊天效果更加的自然，符合人类的对话习惯，你可能会忘记它是人工智能（就像她一样）。很适合练习…- 2
- 0
-
ChatGPT记忆功能全解析：实用场景与操作指南
ChatGPT记忆功能全解析：实用场景与操作指南写在前面2024年4月26日，打开ChatGPT收到官方的更新公告：Memory功能上线，可以优先体验。官方FAQ链接https://help.openai.com/en/articles/8590148-memory-faq本来没有计划写的，了解一下之后还是给大家介绍一下。By DALL·E （现在图中的文字都是正常拼写）过去ChatGP…- 140
- 0
-
Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库
上篇文章5个开源AI工作流项目,图形化界面拖拉拽自定义 Agent提到 linkai,细看了下,被linkai价格劝退, 他家开源版本只是一个接入 wechat 的小项目, 需要调 link ai 的 api , 意思是需要你在这个平台上配置 agent, 这个平台是不开源的, 所以还是看 Flowise花了一周多时间部署测试了 Flowise,下面是一些测试的笔记,可能没有写得很细, 想要详细教…- 10
- 0
-
面壁小钢炮 MiniCPM-V 2.6 部署指南
再次刷新端侧多模态天花板，面壁「小钢炮」 MiniCPM-V 2.6 模型重磅上新！发布即支持 llama.cpp、ollama、vllm 推理！仅 8B 参数，取得 20B 以下单图、多图、视频理解 3 SOTA 成绩，一举将端侧AI多模态能力拉升至全面对标 GPT-4V 水平。更有多项功能首次上「端」：小钢炮一口气将实时视频理解、多图联合理解、…- 3
- 0
-
Qwen2-VL 全链路模型体验、下载、推理、微调实战！
01引言经过了一年的不懈努力，今天通义千问团队对 Qwen-VL 模型进行重大更新——推出 Qwen2-VL。Qwen2-VL 有什么新功能？· 增强的图像理解能力：Qwen2-VL显著提高了模型理解和解释视觉信息的能力，为关键性能指标设定了新的基准· 高级视频理解能力：Qwen2-VL具有卓越的在线流媒体功能，能够以很高的精度实时分析动态视频内容· 集成的可视化agent功能…- 3
- 0
-
智谱开源新一代多模态大模型CogVLM2，性能媲美GPT-4V
前言多模态大模型（MLLM）是近年来人工智能领域最热门的研究方向之一，其能够融合图像、文本等多种模态信息，实现更强大、更灵活的应用。然而，现有的主流多模态模型多以英文为训练语言，在中文理解方面存在着明显的短板。为了突破这一局限，智谱 AI 团队推出了新一代中文多模态大模型 CogVLM2，并将其开源，为中文多模态领域的发展贡献力量。技术特点CogVLM2 继承并优化了上一代模型的经典架构，采用了一…- 4
- 0
-
周鸿祎发布纳米搜索，做世界第一的AI搜索
周鸿祎用短剧+直播结合的方式发布了新产品：纳米搜索，并且喊出口号：做世界第一的AI搜索！ 为何能做到？上图写了三个要点：易用、360有桌面、浏览器、搜索三大入口优势，还有周鸿祎自己的IP加持。 咱们是专业产品分析，抛开推广营销因素，回到产品本身，在黄叔看来，纳米搜索不只是一个搜索引擎，而是首个实现“搜索-理解-创作”完整闭环的AI产品。无论是文字、图片、视频还是声音，都能被LLM理解并转化为新…- 5
- 0
-
一文了解：最新版本 Llama 3.2
Meta AI最近发布了 Llama 3.2。这是他们第一次推出可以同时处理文字和图片的多模态模型。这个版本主要关注两个方面：视觉功能：他们现在有了能处理图片的模型，参数量从11亿到90亿不等。轻量级模型：这些模型参数量在1亿到3亿之间，设计得小巧玲珑，可以在手机或者边缘设备上运行，不需要联网。接下来，我会详细聊聊这些新模型是怎么工作的，它们能做什么，还有怎么用它们。Llama 3.2的视觉模型L…- 7
- 0
-
深度解析Swarm Agent ：OpenAI 开源的多智能体协作框架
想象一下，你正在构建一个复杂的 AI 系统，它需要多个智能体协同工作才能完成任务。例如，一个智能客服系统，需要多个 AI Agent 分别负责处理用户的不同需求，如订单查询、退货处理、投诉处理等。这些 Agent 如同球队中的不同球员，各司其职，又相互配合。如何高效地协调这些 Agent 的行为，使它们能够协同工作，如同 一支训练有素的 AI 梦之队， 共同完成任务呢？传统的编排方法通常…- 4
- 0
-
深入解析Llama 3：开发者如何充分利用这一开源大模型
今年在雨后春笋般的大模型迭代升级中，Llama 3如一颗冉冉升起的新星，照亮了开源大模型的天空。它不仅是Meta公司的最新力作，更是开源大型语言模型（LLM）领域的一次重要突破。Llama 3的问世标志着AI技术在理解和生成自然语言方面迈出了新的步伐，目前来说，它的能力和应用范围已经超越了以往任何一个开源模型。开源大模型在短短不到一年的时间就追平闭源大模型，是开源社区最令人振奋的事，让全球无数中小…- 4
- 0
-
AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？
我们第一次接触OmniTalker时，感受到一种兴奋它不像传统的文本到音频（Text-to-Speech, TTS）或图像合成那样，仅仅是“把文字变成声音”或“把人脸动起来”，而是要在同一框架下，把文本直接变成一段完整、可交互的口播视频。作为一个长期关注AI技术应用的媒体智库平台，我们非常清楚“文本驱动口播”的概念在学术界和工业界的吸引力。这不仅涉及语音合成和人脸动画，还关乎多模态的融合与一致性校…- 5
- 0
-
Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?
原本说好2月底就上的Midjourney V7，今天终于来了！那年杏花微雨，一张《太空歌剧院》冲破云霄，带来的震撼与欣喜至今仍让人记忆犹新。两年半过去，生图类模型的皇冠被太多产品冲击，它依然以一种从容不迫姿态稳居第一梯队，但优势已不如从前明显。生图模型卷到现在，不论是国内还是国外产品都有太多优秀模型，用户的选择可以更加多元化，即使如此，我们依然期待Midjourney独特的审美、卓越的质感、和有更…- 3
- 0
-
如何结合多模态RAG和异步调用实现大模型内容理解？
一. 项目背景和方案架构1.1 项目背景理赔业务是物流行业经常需要处理的问题，客服需要审核客户上传的受损货物的图片资料，对受损情况做判定，然后给客户提供赔偿金额；整体的流程需要人工操作，效率很低，因此如何用大模型作为切入点为理赔业务提效成为重点关注问题。理赔工作存在一个风险点，客户如果上传虚假的理赔图片，会造成物流公司的业务损失，比如客户上传的图片是曾经上传过的货损图片，或者经过了小幅度的裁剪、旋…- 2
- 0
-
Chat GPT文生图不用DALL·E模型了？
昨晚，Open AI更新了ChatGPT文生图能力。准确来说，这次升级是一次小革命。以前，它借助DALL—E来生成图像，现在功能直接融入到ChatGPT里面了。新能力能让ChatGPT生成的图片更准确。什么叫准确？按照官方意思，能贴合你的要求。要让它生成一个戴眼镜的猫咪，它会先思考一下，然后画出来一个更详细的戴眼镜的猫咪。最后一项是修改图像。哪些细节不满意，直接告诉它就能修改。官方直播活动中，也演…- 2
- 0
扫码打开当前页
联系我们
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×