-
10万+开发者关注！PP-DocBee破局文档理解痛点
一、中文PDF文档理解的不足 缺乏中文语料、图像与文本质量参差不齐信息提取能力缺失场景多样性不足ViT+MLP+LLM架构的多模态大语言模型,在处理中文文档时无法满足实际应用中对中文文档理解的需求。二、PP-DocBee的解决方案 2.1 丰富布局的文档数据合成从学术论文、财务报告等专业领域筛选出复杂布局的中文PDF文档，利用文档解析工具构建包含文本、图像和公式等混合元素的单页…- 3
- 0
-
教程 | 使用大模型从图片中提取结构化数据
在快速发展的人工智能领域，将视觉功能集成到大型语言模型中，可以用于解读图片语义， 从图片中提取出结构化数据。一、环境配置在Python中调用大模型， 先要配置好相应的环境。1.1 安装python包pip3 install ollamapip3 install pydanticpip3 install instructor1.2 安装OllamaOllama是一款开源应用程序，可让您使…- 4
- 0
-
AI 时代的数据底座：火山引擎多模态数据湖的设计与实践
导读 随着大模型的发展和应用，文本的边界被拓宽，图像、视频、语音各种模态涌现，并给数据管理、检索、计算带来巨大挑战。火山引擎多模态数据湖解决方案则可实现海量结构化、半结构化及非结构化数据的统一精细化管理，全方位兼容各类数据格式，为 LLM 预训练、持续训练和微调全程各个环节提供更好的数据支持。主要内容包括以下几个部分：1. 数据湖在 AI 时代下的难点和挑战2. 火山…- 3
- 0
-
Google 用文生图 AI 开始真正重塑行业｜9 个测试案例，带你看懂 Gemini 能力边界
自从在一支烟花群里和朋友测试起 Google 这个新工具，一上午就没停下来 WOC 的感叹。Google 总算放出了他们去年承诺的“可连续对话改图”的 Gemini 文生图能力。照例先给总体评价：1. Gemini （或者说 Imagen3）是当下最值得全设计行业，甚至全碳基社会使用的文生图 AI2. 它在自然语言的修改指令理解、材质质感复现、局部细节微调方面，达到了部分生产创…- 2
- 0
-
太疯狂了，Gemini可以用文本提示编辑图片了
google昨天更新了Gemini 2.0 Flash Experimental ，他多模态大幅提升，一句话总结：它能够用语言对一张图持续编辑调整，而且风格能够保持一致，图像不会产品畸变。Google AI Studio的产品经理宣布了他们还可以直接对视频链接进行对话分析。下面我测试了一些case，从效果上看确实很惊艳了，能够持续对一张图片做更改，而且还可以直接输入视频链接，识别链接中的…- 4
- 0
-
一手体验，豆包内测共享屏幕通话
去年10月份，字节举办一场豆包大模型相关的活动。活动中，他们不仅把大模型价格降下来了，还展示了豆包视觉大模型的解析能力；当时，我看到后表示惊讶：以后跟AI打电话，通过共享屏幕，它就能帮我理解一切，太快了。不过，当时展示的似乎更像一个炫技的demo，一直没开放出来；三个月过去了，期间看他们不断内测，今天终于拿到体验资格。这个能力到底是什么？简单讲，在与豆包进行语音通话时，界面会多出一个“共享屏幕”的…- 3
- 0
-
Gemini 2.0的“用嘴改图”终于上线了，这是AI绘图的新范式。
Google这两天动作蛮多。昨天刚开源Gemma3，然后今天夜里，鸽了N久的Gemini 2.0的原生多模态生图功能，也终于开放了。这也是我对Gemini 2.0最期待的功能。在出门回来，玩了一下午后，我觉得终于可以给你们分享一下，这玩意的有趣之处了。先给你们直观的感受一下，它能干啥。比如我现在有一张图，是一个很酷的小姐姐。我想让这个小姐姐，变成长头发。你无需PS，无需局部重绘，只需要一句话就行。…- 1
- 0
-
谷歌深夜放大招，Gemini 2.0 AI改变世界，设计师集体失业，图文并茂比人还强？新工具引爆行业地震
谷歌Gemini 2.0文生图技术深度评测：颠覆性多模态架构如何重构设计流程一、技术范式突破：从单点工具到全链路AI工厂最近，谷歌Gemini又放大招了！随着Gemini 2.0 Flash Experimental的更新，它不仅能“听懂”你的文字需求，还能直接生成图文内容，简直是创意工作者的福音。从写故事到设计海报，再到脑洞大开的视觉呈现，Gemini这次的多模态能力让人忍不住想喊一句：“woc…- 2
- 0
-
AI 时代的超级应用，是一个超级框
AI 时代的超级应用，不仅要深度思考，更要动手干活。今天，又一个国民级 AI 应用朝这个方向迈出了新的一步——夸克宣布升级，更新 「AI 超级框」。「AI 超级框」拥有阿里通义系列模型支撑，具备多模态理解和深度思考能力，能理解需求，同时规划并执行多步骤任务。APPSO 实测发现，它既能协助进行创意构思与内容创作，又能为健康问题提供个性化解答；既可作为学习助手解题解惑，又能担任工作助理完成专业任务。…- 3
- 0
-
Google's AI发布会：多模态新作惊艳亮相
还是很开心看到老东家的 AI 越来越好～先看要点Gemma 3 多语言实力抢镜：Google 发布了参数规模从 1B 到 27B、上下文窗口达 128K 的多模态模型 Gemma 3，支持超过 140 种语言。社区对其有望在单个 GPU 或 TPU 上运行的潜力充满期待。Gemini 2.0 Flash 文生图更直接：Gemini 2.0 Flash 新增原生图像生成功能，让用户直接在模型内生成语…- 3
- 0
-
Google重磅更新，仿佛看到了AGI的影子！
Gemini是个水桶型模型，可能在数学，推理，创意上都比不上最好的模型。但是它每一项的能力都不差，甚至多模态理解处于全球领先行列，速度也是嘎嘎快。刚刚，Google宣布在Google AI Studio和Gemini API上开放Gemini 2.0 Flash的原生图像生成功能，供开发者测试和实验。也就是不止输入可以图文，现在模型可以无缝的融合图文同时输出了！不仅能理解文字，还能直接根据描述生成…- 3
- 0
-
手把手教你实现自己的“Manus”：构建基于容器的多用户Agent应用【上】
Manus火了，万元的“邀请码”最后也引起口诛笔伐，不过这多少也说明了大家对AGI的向往与期待。所谓外行看热闹，内行看门道，Manus本质上是一个运行在云端支持多用户使用的Agent as a Service应用，与Deepseek不一样的是，其技术复杂性更多体现在工程上而非底层算法。本文将尝试构建一个基于容器（沙盒）隔离的多用户Agent系统的后台原型，以帮助理解相关的原理。内容目录：Manus…- 2
- 0
-
Gemma 3 发布：单卡AI性能突破，128K上下文与多模态技术解析
Gemma 3 横空发布，单卡AI性能显著提升！ 128K超长上下文，多语言多模态进化，量化技术加持。Gemma 3 重新定义轻量级 AI 模型。Gemma 3：轻量级AI性能新高度Gemma 家族迎来一周年，Google DeepMind 发布 Gemma 3。 Gemma 3 源于 Gemini 2.0 技术，更 先进、便携、负责任，旨在&n…- 1
- 0
-
多模态自动布局技术发展及其在淘内内容场的应用
作为一种新的商品表现形态，内容几乎存在于手淘用户动线全流程，例如信息流种草内容、搜索消费决策内容、详情页种草内容等。过去一年，我们通过在视频生成、图文联合生成等核心技术上的持续攻关，AIGC内容生成在手淘多个场景取得了规模化落地价值。本专题《淘宝的AIGC内容生成技术总结》是我们摸索出的一部分实践经验，我们将开启一段时间的内容AI专题连载，欢迎大家一起交流进步。背景随着数字化内容创作需求的迅速增长…- 2
- 0
-
DeepSeek 的联网搜索功能，竟出自这家初创公司！
2024 年 9 月 22 日，三位年少有为怀揣创业理想的有志青年，来到了特工宇宙杭州线下办公室，一起交流 AI 搜索的技术和未来。而在年后西班牙的世界移动通信大会上，特工宇宙得知，DeepSeek 的联网搜索，采用了他们的 API 服务，并在 DeepSeek 爆火之前就已经接入了。博查 AI，AGI 的世界搜索知识引擎。不管 AGI 哪一天到来，当人类和 AI 去对话完成任务，当 A…- 2
- 0
-
FastGPT 4.9.0 ：重塑知识库体验，多模态处理更强大
告别 PDF 解析烦恼，迎接知识无缝转化您是否也有这些困扰？• PDF文档结构复杂，解析后格式混乱• 扫描件内容无法被正确识别• 图表变形或消失• 公式转换成乱码图片？消失了！重要的图表和示意图全都"蒸发"，只剩下占位符表格？不存在的！你期待的是数据分析，得到的却是一团乱码➗ LaTeX公式？变成天书！精心编写的数学公式变成了一串无法辨认的符号密密麻麻的文字墙...没有结构、没…- 3
- 0
-
Manus工作原理揭秘：解构下一代AI Agent的多智能体架构
AI Agent 产品 Manus 横空出世，瞬间点燃了科技圈的热情。邀请码在二手交易平台上的价格被炒至 999 元到 5 万元不等，足见人们对这款下一代 AI 交互方式的期待。Manus 不仅仅是一个智能助手，更是一个能够自主思考并交付结果的通用 AI 智能体。它的口号 “Leave it to Manus” 背后，是 Multi-Agent 系统的一次华…- 4
- 0
-
从模糊到清晰，Agentic设计原则重塑AI Agent未来
构建 Agentic 系统有多种方法。由于生成式 AI 设计中模糊性是一种特性而非缺陷，工程师有时很难确定从何处开始着手。创建了一套以人类为中心的用户体验设计原则，以帮助开发人员构建以客户为中心的 Agent，解决他们的业务需求。这些设计原则并非一种规定性的架构，而是为定义和构建Agent体验的团队提供一个起点。一般来说，Agent 应做到：扩展并提升人类的能力（如头脑风暴、解…- 3
- 0
-
一键部署！阶跃星辰开源多模态模型上线火山引擎
2025年2月18日，阶跃星辰宣布开源了两款 Step 系列多模态模型——Step-Video-T2V 视频生成模型和 Step-Audio 语音交互模型。目前，用户可登录火山引擎机器学习平台快速体验。> 火山引擎机器学习平台简介火山引擎机器学习平台 veMLP 是面向机器学习应用开发者，提供【开发机】、【自定义任务】、【在线服务】等丰富建模工具、多框架高性能模型推理服务的企业级开发平台，支…- 2
- 0
-
DeepSeek热潮背后，企业如何用多模态数据构建核心竞争力
当全球目光聚焦DeepSeek刷新开源大模型性能榜单时，一个关键趋势正在浮现：当模型差距正在被迅速抹平，算力成本正在逐渐降低，数据的重要性反而愈发凸显。在这场变革中，那些掌握垂直行业多模态数据的企业，正在悄然构建起真正的护城河。多模态数据为何如此关键？随着移动互联网和物联网设备的飞速发展，多模态数据处理变得越来越普遍和丰富。多模态数据 融合了文本、图像、语音、视频、互联网用户行为以及传感…- 3
- 0
-
MNN 手机本地部署 DeepSeek R1 和多模态大模型，告别服务器繁忙！
在Phi-3大模型发布之际，我们基于Termux应用，在我的小米手机部署了Phi-3模型：Termux应用是一个终端模拟器，它允许我们安装 Linux 操作系统，然后在 Linux 操作系统中安装 Ollama，最后基于 Ollama 下载和推理大模型，虽然方法可行，但是存在一些局限：操作步骤繁琐，用户体验较差：安装 Linux 操作系统、启动系统、安装和启动 Ollama 等操作，都需要通过命令…- 2
- 0
-
多模态RAG技术：从语义抽取到VLM应用与规模化挑战
导读 本次分享聚焦于多模态 RAG 的实现路径与发展前景。核心议题涵盖五方面：1. 基于语义抽取的多模态 RAG2. 基于 VLM 的多模态 RAG3. 如何 Scale 基于 VLM 的多模态 RAG4. 技术路线的选择5. 问答环节分享嘉宾｜金海 Infiniflow 联合创始人编辑整理｜王红雨内容校对｜李瑶出品社区｜DataFun0…- 7
- 0
-
考拉悠然：智能化管理，为AI产业化落地打造数字新基座
“在人工智能行业的激烈竞争中，考拉悠然曾因预算管理缺乏规范而面临资源浪费与决策困境。引入钉钉低代码工具后，我们成功构建了一套科学高效的预算成本管理体系。从预算编制到审批执行，全流程实现自动化与标准化，大幅提升了工作效率与准确性。实时监控功能让预算执行透明化，及时预警超支风险，同时通过对历史数据的深度分析，为后续预算编制提供了可靠依据。得益于钉钉低代码工具的支持，我们的财务管理水平显著提升，部门协作…- 2
- 0
-
基于LLM打造沉浸式3D世界
背景介绍大型语言模型（Large Language Models, LLMs）的出现标志着自然语言处理领域的一个变革时代，使机器能够以前所未有的方式理解、生成和互动人类语言。然而，物理世界本质上是三维的，理解空间3D环境对于涉及感知、导航和互动的许多现实应用至关重要。将LLMs与3D数据融合，提供了一个独特的机会，可以增强计算模型对物理世界的理解和互动，从而在多个领域引领创新，包括自主系统、增强现…- 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：×