-
如何构建多模态AI知识库？
摘要：在科技飞速发展的当下，人工智能（AI）已成为推动各行业变革的关键力量。其中，多模态 AI 知识库作为 AI 领域的重要创新，正引领我们迈向一个全新的智能时代。它打破了传统数据处理的单一模式，融合文本、图像、音频、视频等多种数据模态，为我们提供了更加全面、深入的知识理解与应用能力。从日常生活中的智能语音助手，到医疗领域的精准诊断，再到自动驾驶汽车的安全行驶，多模态 AI 知识库的身影无处不在。…- 3
- 0
-
我为什么要卸载DeepSeek ？
就在刚刚，我卸载了今年以来最火的现象级AI产品——DeepSeek。因为我找到了一款比它更好用的替代品！不知道大家这近期有没有留意：微信服务菜单下的生活服务栏目，新增了一个“元宝下载（满血DeepSeek）”图标，我也是今天才发现的，然后就去下载体验了。体验后，我做的第一件事就是把我之前下载的DeepSeek卸载了。因为这次腾讯元宝和DeepSeek的强强联合实在是太炸裂了，这种双模型的聚合不仅为…- 4
- 0
-
千问又放大招！720亿参数的视觉语言模型什么样？
Qwen2-VL-72B-Instruct现已加入 Serverless API，访问 Gitee AI 即可免费在线体验：https://ai.gitee.com/serverless-api?model=Qwen2-VL-72B作为多模态技术的核心，视觉语言模型（Vision-Language Model, VLM）正在彻底改变我们与图像、视频和语言互动的方式。今天，马建仓将带开发者们搞懂视觉…- 4
- 0
-
Adobe首发多Agent、跨模态框架MDocAgent：复杂文档理解性能爆炸12%，错误率直降21%
文档问答太难了 含有丰富文本和视觉元素（如图表、图像等）的长文档，在进行文档问答时，现有的方案有其局限性：传统的大型语言模型（LLMs）仅能处理文本信息大型视觉语言模型（LVLMs）虽然能够处理视觉内容，但在处理长文档时往往效率低下，并且难以对文本和视觉信息进行有效的融合与推理。现有的检索增强生成（RAG）方法虽然能够从长文档中提取关键信息，但它们通常仅依赖于单一模态（文本或图像）进行检…- 6
- 0
-
多模态文档检索开源方案-三大竞赛获奖方案技术链路
前期也提到，在实际场景中，用户通常需要检索多模态文档，包括文本、图像、表格和图表。这需要一个更复杂的检索系统，能够处理多模态信息，并根据用户查询提供相关文档或段落。检索多模态文档将有助于 AI 聊天机器人、搜索引擎和其他应用程序向用户提供更准确、更相关的信息。因此衍生了一系列的多模态RAG方案，如：开源多模态RAG的视觉文档(OCR-Free)检索增强生成方案-VDocRAG、多模态GraphRA…- 5
- 0
-
多模态 GraphRAG 初探：文档智能+知识图谱+大模型结合范式
导读 本次分享聚焦多模态 GraphRAG，深度剖析了文档智能解析的技术链路，并梳理了相关工作进展，全方位呈现了文档智能、知识图谱与大模型结合的应用范式。文章主要包括以下几大部分：1. 文档智能解析技术链路与文档层级关系构建2. 多模态图索引构建与多模态检索生成流程3. 知识图谱解决 chunk 之间关联以及细粒度问题4. 文档多模态 RAG 相关…- 4
- 0
-
推翻传统RAG，腾讯用生成式检索打开多模态新局面
这篇论文其实在一开始就很有意思，它针对的是一个挺棘手的问题：在多模态应用里，比如VQA（视觉问答）、多模态对话这种，光靠图片和文本本身的信息往往是不够的，必须去查外部知识库。传统做法就是靠各种retriever，一个专门查文本的，一个专门查图片的，有的还搞个实体检索器，弄得流程又长又麻烦。而且，各种retriever要单独训练，超级吃数据，成本也高。然后，作者就问了个很实在…- 2
- 0
-
用AI大模型把手写笔记转换为LaTeX PDF文档
弄一个Prompt，可以帮助大模型更好地把手稿转换为LaTeX文档。效果大概这样：完整Prompt比较长，放到文章最后了。需要指出的是，截至2025年4月，并没有专门针对“手稿笔记→LaTeX文档”任务而训练的大模型。因为这个任务本质上考验的就是大模型的多模态能力，更确切的说是图像解析能力；而解析后，LaTeX指令和结构化语言的生成，对大模型来说，反而不是问题，因为LLM最擅长的就是代码生成，La…- 4
- 0
-
Qwen能吞下整本扫描版PDF，直接转Word了，这波操作太赞了！
经常收到读者后台留言，问如何处理扫描版PDF，怎么把里面的字准确批量提取出来，然后保存为txt，word啥的。今天这篇文章我来探索一种较好的解决方案，提供完整智能体源码，详细操作步骤，确保大家可以复现，感兴趣的可以看看。1 展示效果从我电脑上找了一本《天池比赛》扫描版PDF，扫描版意思就是全是图片，并且图片清晰度不怎地，如下图所示全书365页： 某页截图：下面是使用本文介绍的方法，批量…- 2
- 0
-
3D 小白亲测：用 Trae + Blender MCP 从零开始 AI 建模（附踩坑指南）
正好，前几天刷到Trae新版本发布的消息，让我眼前一亮——这次更新直接放了大招，重磅推出了智能体和MCP功能！简单来说，这次更新的主要功能就是：支持通过提示词和工具自定义专属智能体集成了MCP市场，可以一键接入第三方MCP Servers让智能体灵活调用MCP工具来扩展能力这让我突然想起前阵子在推特上看到一位大佬的骚操作：他用Claude+Blender MCP实现了全自动3D建模，效果简直惊艳！…- 2
- 0
-
行业落地分享：作业帮问答检索系统实践
在数字化浪潮的推动下，检索系统的性能与效率成为企业发展的关键。作业帮作为教育科技领域的领军者，始终致力于为用户提供更高效、更精准的学习资源检索体验。Havenask 是阿里巴巴集团自研的高性能、分布式检索引擎，自 2022 年 7 月开源以来，凭借其强大的性能和灵活的定制能力，迅速在行业内崭露头角。unsetunset业务需求问题unsetunset通过自动化的图像处理和相似题目检索，系统能够提供…- 4
- 0
-
大模型赋能CAD图纸智能识别与集成实战指南
一、CAD图纸智能识别技术架构1. 多模态数据预处理（核心步骤）• 矢量图形结构化解析采用万翼图纸大模型的图框识别技术，自动切割图纸中的平面图、立面图、节点详图等子图模块，建立图纸间的空间拓扑关系。通过DeepSeek Janus-Pro模型的对象检测能力，精准识别门窗、管线等建筑构件轮廓，定位精度达±0.5mm。• 语义标注增强结合四建集团"悉图"大模型的…- 2
- 0
-
英伟达推出 Describe Anything 3B AI 模型了
图像、视频要想做到能整体理解，又能局部解析是比较难的事情。近日，英伟达最新发布的 Describe Anything 3B 模型，不仅填补了图像与视频局部描述的技术空白，更标志着多模态AI从全局粗放迈向区域精准的范式转变。DAM-3B模型凭借技术架构、数据策略与评估标准的系统性创新，重新定义了人机交互的边界，个人觉得它为AI在垂直场景的落地开辟了新路径。⋯ ⋯传统视觉语言模型的局限，在于它的广角镜…- 2
- 0
-
OpenAI 图像生成 API 开放！开发者也能“一键出图”了
图像生成的新时代，来了。这一次，不再只是“艺术家用AI玩玩”，而是每一个开发者，都能把视觉魔法装进自己的App里。今天OpenAI正式开放图像生成API接口，背后搭载的是他们新一代的多模态模型——gpt-image-1，也就是ChatGPT背后的GPT-4o的“画画脑”。全场景通吃的“画图神器”，终于开放！自从 GPT-4o 上线图像生成功能以来，仅一周时间，全球 1.3 亿用户就撸出了 7 亿+…- 4
- 0
-
OpenAI终于放出图像生成模型 API ，Midjourney危！
OpenAI终于放出了生图API。Midjourney瑟瑟发抖！新的图像生成模型命名为 GPT Image 系列，为原生多模态语言模型。API不管是可控性还是可玩性都超越了页面生图。支持两种功能：生成图和编辑图片可控制参数：相比较原先的chat界面，API提供了多种可控的参数API 可以控制质量与生成速度、背景、输出格式等质量（低中高、自动）、尺寸（1024x1024（正方形）、1536x1024…- 3
- 0
-
多模态RAG：解读检索、重排、精炼三大关键技术
四、多模态检索多模态检索的三个关键组件包括：检索器(retriever)、重排序器(reranker)和精炼器(refiner)。4.1 检索器(retriever)可分为单/双流结构和生成式结构，每种结构都涉及单模态（例如，文本、图像）和跨模态信息检索。4.1.1 单/双流检索单、双流结构的区别单流结构：集成多模态融合模块，在一个统一的语义空间中建模图像-文本关系，捕捉细粒度的交互，但会产生更高…- 5
- 0
-
我复刻了一个Manus
先来看效果输入需求：查询北京天气，并绘制为折线图。智能体根据输入的需求，首先打开浏览器访问相关的网页，当网页无法访问时，还会自动切换网页，最后，智能体将会把浏览器中收集的数据保存整理为文件，并通过编程的方式，通过Python脚本绘制折线图。任务规划：浏览网页：编写脚本：Manus复刻思路前端 (UI - HTML/CSS/JS): 用户交互的界面。我们设计了一个双栏布局：l 左栏: 核…- 2
- 0
-
AI合同单据识别-自定义字段信息抽取-小帮手更新
之前阿里开源了多模态模型，在审计作业过程中针对大量的合同、单据检查，利用多模态大模型的能力，可以对不同形态、不同语言的各种非标合同完成关键信息抽取，并将结果结构化到底稿中。其实雏形早就弄好了，田川老师也用了一段时间，不过是Python版的（Python代码在最后），搬到小帮手要考虑交互和易用等问题，每天写一点硬是写了一个月...忙到崩溃小帮手本次更新做了3件事1、接入阿里的qwen-vl-max2…- 3
- 0
-
本地部署大模型实现扫描版 PDF 文件 OCR 识别，笔记本可跑
在使用大模型处理书籍 PDF 时，有时你会遇到扫描版 PDF，也就是说每一页其实是图像形式。这时，大模型需要先从图片中提取文本，而这就需要借助 OCR（光学字符识别）技术。像 Gemini 2.5 这样的强大模型，具备非常强的从图片中提取文本的能力。实际上，我们完全可以利用它来执行 OCR 任务。利用这样的大模型进行&…- 3
- 0
-
Seedream 3.0 文生图模型技术报告发布
字节跳动 Seed 团队正式发布 Seedream 3.0 技术报告。Seedream 3.0 是一个原生高分辨率、支持中英双语的图像生成基础模型，对比 Seedream 2.0，这一版本的整体性能表现有较大提升，尤其在分辨率、生图结构准确性、数量准确性、多物体属性关系、小字生成与排版、美感效果、真实度等方面有所突破。具体亮点如下：原生 2K 直出，适配多比例场景：无需后处理可直接输出 2K 分辨…- 4
- 0
-
一口气讲清楚：向量库、训练集、多模态
这是“一口气讲清楚”AI系列第三篇文章。前面两篇文章，分别介绍了AGI、RAG、AIGC、LLM、MCP、EMB这六个在AI大模型领域的核心术语。想要真正了解AI大模型及各种工具的特点和原理，离不开这六个专业术语。但如果想要进一步深入理解大模型的实现原理和当前阶段的大模型特性，就需要进一步了解它的训练过程，那这个时候就离不开这三个专业术语：向量库、训练集、多模态。这篇文章，我会尽量用通俗易懂的语言…- 3
- 0
-
豆包深度思考模型正式发布！和 o3 一样能「看图思考」，还有一个 Agent 大招
这两个月，AI 模型和产品的发布节奏用「日新月异」都不足以形容了。GPT-4o 生图的爆火似乎还是昨天，OpenAI 放出了自家最强推理模型 o3 和 o4 mini，但这可能还不是这个月最重磅的 AI 发布，DeepSeek R2、Anthropic 的 Claude 4 以及马斯克剧透的「Grok-3.5」 ，极有可能将在本月陆续发布。而且就在今天，字节还发布了一整套 AI 全家桶，深度思考模…- 5
- 0
-
刚刚，o4-mini发布！OpenAI史上最强、最智能模型
今天凌晨1点，OpenAI进行了技术直播，发布了最强、最智能模型o4-mini和满血版o3。o4-mini和o3是两款多模态模型，能同时处理文本、图像和音频，并且能作为Agent智能体自动调用网络搜索、图像生成、代码解析等工具以及深度思考模式（思维链中可以思考图像）。根据OpenAI公布的测试数据显示，o4-mini在AIME2024和2025中，分别达到了93.4%和92.7%，比满血版o3还强…- 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：×