-
Deepseek 多模态来解析图片，结合上下文分析pdf文档
欢迎关注： 打造你的文档小助手：PDF智能解析系统揭秘！ 嘿，朋友们！你有没有为翻阅一堆PDF文件头晕眼花过？有没有为从文档中提取关键信息熬夜到怀疑人生？别担心！今天我要隆重介绍一款“文档界的卷王” ——PDF智能解析系统！它不仅能帮你轻松搞定PDF，还能生成酷炫的分析报告，简直是懒人福音！ 这货到底有啥用？ 简单来说，这套系统能让你从“手动狗头”进化到“智能AI狗头”。它的核心功能包括： 1. …- 7
- 0
-
Lovart再次证明：AI不是卖工具而是卖成果
本周AI圈几乎被新的一款垂直Agent刷屏了。这就是由Liblib海外子公司推出的设计垂类agent：Lovart。 与市面上的传统设计工具或嵌入式AI插件不同，它能够直接理解用户的自然语言指令，自动生成从品牌设计到营销物料的全流程、多模态内容，包括图像、视频和音乐。 具体可以看下官方视频 垂直领域深耕优于通用化竞争与前段时间爆火的通用型AI Agent-Manus不同，而Lovart则是设计专精…- 5
- 0
-
Dolphin-API：字节Dolphin多模态文档解析模型API化全攻略
Dolphin是字节跳动于2025年5月在Hugging Face等平台低调发布并开源的一款新型多模态文档图像解析模型。它并非简单地堆砌参数，而是通过精巧的架构设计，以约322M的参数量，在文档解析领域实现了令人瞩目的性能突破。本文将在项目源码的基础上，通过Docker部署Dolphin API可供dify平台调用。 Dolphin基本原理 概述 Dolphin的核心特点在于其创新的“先分析后解析…- 7
- 0
-
本地AI对话神奇，ChatWise到底有什么用？
1.1. ChatWise 是什么？ ChatWise 是一款功能丰富的本地化 AI 聊天客户端。你可以把它理解为一个集成了多种 AI 模型调用、并提供了强大扩展能力的“AI 工作台”。它的核心特性包括： 优秀的MCP支持：这是 ChatWise 最显著的亮点之一。它内置了对 MCP 协议的良好支持，并提供了相对直观和易用的界面来配置和管理各种 MCP 服务。这使得用户可以比较方便地将外部能力集成…- 15
- 0
-
从BGE到 CLIP，从文本到多模态，Embedding 模型选型终极指南
通过通过将原始输入转换为固定大小的高维向量，捕捉语义信息，embedding（嵌入）模型在构建RAG、推荐系统，甚至自动驾驶的模型训练过程中都产生着至关重要的影响。 即使 OpenAI、Meta 和 Google 等科技巨头，也选择在近些年来，在 embedding 模型的研发上持续加大投入。以 OpenAI 为例，其最新的 text-embedding-3-small生成 1536 维向量，在…- 11
- 0
-
AI Agent到底哪家强？横评五款主流Agent
最近，满地都是AI Agent，仅最近半个月，就爆出了10多款（详细介绍）。 来自近期在上海分享的PPT AI Agent，现已成为继LLM（Large Language Model，大语言模型）后的时髦新宠，各家厂商疯狂推Agent犹如过江之鲫。 那么问题来了，到底哪个Agent更胜一筹？今天，我们就来给大家横向测评一下。 关于测评方法 我选择了5款热门的通用型AI Agent，分别是Gensp…- 12
- 0
-
AI Agent协议A2A交互细节详解
自我介绍 大家好，我是Aaron。过去一直从事算法领域相关工作，自工作以来，一直持续在关注算法相关技术的发展，当前除了在工作中会进行一些AI的落地实践，工作之余也在通过AI辅助编程做一些有趣的探索，比如ragflow4j(https://github.com/aaronshan/ragflow4j) ，后续会持续更新AI实践过程中的心得体会，以及AI知识分享。欢迎大家关注我关注公众号，以便第一…- 12
- 0
-
技术思考:小尺寸+两阶段式多模态文档解析模型Dolphin思路评析及PP-OCRv5更新
今天是2025年5月23日，星期五，北京，阴。 先来看看文档智能相关进展，在及技术路线上，也有一些新的玩法。比如，Dolphin检测+解析双阶段多模态文档解析思路，效果实测并不理想，尤其是带图片的文档，公式解析和复杂表格解析一般、OCR幻觉比较严重。工作是方案上的借鉴意义，并没有从性能上更改当前试图通过小尺寸模型实现真正可用的ocr-fre局面，还有很长的路要走。 这一类(Nougat、Kosmo…- 13
- 0
-
Alivia VLM：企业级视觉智能体在门店场景落地实战
人工智能技术正在重塑商业决策范式。Alivia VLM 作为企业级视觉语言模型，基于多模态 AI 系统架构，融合深度视觉解析与语义理解能力，实现物理空间数字化与商业逻辑智能化的深度融合，为商业实体提供精准运营诊断与自动化执行方案。如果您对 Alivia VLM 视觉智能体的应用感兴趣，欢迎联系 hello@whale.im。01 Alivia VLM：赋能营收增长，驱动空间质检、管理与营销升级Al…- 9
- 0
-
Gemini接管搜索、全家桶秒变通用Agent ，以及Google Glass is so back！｜直击Google I/O
作者：王兆洋，Jessica，周一笑 图：王兆洋谁也没想到，Google I/O现场的最高潮来自“复活”的Google Glass有些翻车了的实时demo。 2025年5月20日，Google的年度开发者大会Google I/O在加州山景城举办。 与去年在举办之前一天被OpenAI“狙击”不同，今年的Google I/O，剑拔弩张的氛围让位给了派对的氛围，在ChatGPT带来的狼狈之后，Googl…- 10
- 0
-
扫描PDF转换太痛苦？pdf-craft秒转Markdown/EPUB，自动生成目录注释、引文对齐
本公众号主要关注NLP、CV、LLM、RAG、Agent等AI前沿技术，免费分享业界实战案例与课程，助力您全面拥抱AIGC。 PDF-Craft实战 将 PDF 转换为 MarkDown from pdf_craft import PDFPageExtractor, MarkDownWriterextractor = PDFPageExtractor( device="cpu"…- 14
- 0
-
AI Studio 新增 Veo2 和 Imagen3.0 生成功能，中文支持有待优化
Google AI Studio 最近悄然新增了多媒体生成功能的支持，包括 Veo 2 用于生成视频，以及 Imagen 3.0 用于生成图片。这些功能涵盖了多种生成方式，如文字生成图片、文字生成视频，以及通过参考图片生成视频。体验入口已经开放，用户可以通过以下链接尝试：https://aistudio.google.com/gen-media官方还贴心地提供了多种风格的示例，供用户参…- 11
- 0
-
万字长文：OCR/多模态大模型评测体系全景
在金融、医疗、政务等对准确性要求极高的领域中，文档数字化一直是智能化转型的关键一环。传统的OCR技术凭借超过90%的识别准确率和240毫秒级别的极速响应，早已广泛应用于单据、合同、发票、身份证等场景。然而，面对更复杂的挑战，例如表格中错综复杂的合并单元格结构、跨页合同条款的逻辑关联，以及模糊发票中语义的连贯推断，专用的小模型逐渐暴露出难以突破的局限性。近年来，多模态大模型（Multimodal L…- 14
- 0
-
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…- 11
- 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…- 263
- 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…- 16
- 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…- 7
- 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…- 12
- 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…- 6
- 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）…- 11
- 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…- 22
- 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…- 13
- 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…- 12
- 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…- 14
- 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：×