-
使用Dify为DeepSeek-R1添加多模态功能
在DeepSeek-R1引发全球AI领域关注之际，其突破性的推理能力已通过多项测试得到验证：模型不仅将AIME数学竞赛准确率从15.6%提升至86.7%，更在Codeforces编程竞赛中超越96.3%人类参与者，展现出真实的数学直觉与迁移学习能力。然而作为纯文本模型，其官方版本存在多模态能力缺失与功能互斥的局限。我选择通过Dify构建智能编排层：以DeepSeek-R1作为推理引擎，驱动更强大模…- 1
- 0
-
从0到1：用飞书多维表格与AI轻松构建个性化应用产品【实操指南】
想踏入AI应用开发却不知从何做起？飞书多维表格提供了一个理想的起点。在这篇文章中，我将一步步带你领略这款工具的强大功能，结合先进的AI技术（如图像识别），帮助你快速创建出符合个人需求的小型应用程序。无论是记录生活点滴、管理收藏还是实现其他创意想法，只需几个简单步骤，就能见证一个实用而有趣的个性化应用产品从构思变为现实。现在就开始动手吧，体验从无到有的创新乐趣！以搭建一个「私人酒水博物馆」举例，完成…- 2
- 0
-
kimi1.5技术报告解读，你想了解的都在这里
Kimi K1.5 作为一款前沿的多模态大语言模型，凭借其独特的强化学习训练方式和创新技术，展现出卓越的性能，在多个领域取得了显著成果，为人工智能的发展开辟了新路径。今天我们一起了解一下kimi1.5。一、研究背景与创新点传统的基于下一个标记预测的语言模型预训练，虽在计算规模扩展上有一定成效，但受限于可用训练数据的数量。随着数据增长的瓶颈逐渐显现，探索新的扩展维度成为提升人工智能性能的关键。强化学…- 4
- 0
-
DeepSeek 图片处理新玩法，屌爆了！
最近，大宁哥深切感受到大家对 DeepSeek 处理图片的期待，呼声那叫一个高。不过得先和大家说明白，DeepSeek R1 并非多模态大模型，原生对图片的支持确实有限，不像豆包、ChatGPT 那样能直接生成精美图片。但千万别灰心，只要掌握方法，咱们照样能让 DeepSeek 在图片处理上 “玩出花”。01 文字生成图片两步轻松搞定文字生成图片基本就两步：1️⃣ 先提需求让 …- 3
- 0
-
Deepseek出图，真快！
今天跟大家聊聊deepseek+即梦AI，如何出好看的图片。我最近一直在用即梦 AI，它同时拥有网页版和手机版，特别方便。而且，新用户还能获得赠送的免费额度，无论是制作图片还是视频，用来随便体验一下绝对是够的。即梦 AI 有一个超棒的功能，就是在展示的图片上，都能清晰看到对应的提示词。这意味着我们拥有了海量的提示词参考资源，对于刚接触 AI 绘图的新手来说，大大降低了入门门槛。乍一看，设计一张图的…- 3
- 0
-
吴恩达押注Agent新成果官宣！零样本标记实现图片目标检测
刚刚，AI大牛吴恩达官宣创业公司新成果——Agentic Object Detection（Agent目标检测）。无需标注训练数据，模型仅通过推理就能在图片中定位指定物体。举个栗子，在一张长满草莓的图片中，提示词为“未成熟的草莓”，AI模型立马分分钟帮你找出。据吴恩达介绍，以前视觉AI要想识别物体，需要在大量标注数据上训练，而现在AI只需瞥一眼图片，短暂思考后（当前约20~30s）就能立刻输出正确…- 2
- 0
-
利用 Gemini 2.0 多模态实时 API 构建实时屏幕共享助手
Gemini 开发教程 V3在 Gemini 2.0 系列的最后几期教程中，我们建立了一个自托管的实时语音和视频聊天机器人的核心功能，并为其添加了功能调用特性，以便它能够调用外部工具和 API。这些都是具有快速响应、人性化互动和增强推理能力的实用应用，得益于 Gemini 2.0 多模态实时 API。在本教程中，我们将重点关注模型的另一个实用应用，您可能已经在 Google AI Studio 中…- 3
- 0
-
斯坦福多模态交互 Agent 综述：Agent AI 集成及其技术挑战
这篇论文深入探讨了多模态人工智能系统，尤其是智能体（Agent）在物理和虚拟环境中的交互性。它不仅为研究人员和AI领域提供了一份研究路线图，更展现了AI未来发展的深刻洞见。论文的核心内容分为以下几个部分：一、Agent AI 的概念介绍了Agent AI的背景、动机及未来目标，探讨了其如何成为实现通用人工智能（AGI）的重要途径。二、Agent AI 面临的挑战讨论了Agent AI与现有的大型基…- 3
- 0
-
谷歌发布Gemini 2.0 Pro：多模态，编程能力炸裂，Jeff Dean惊呼，现在免费开放
刚刚谷歌 DeepMind 宣布，Gemini 2.0 现已向所有人开放！本次发布带来了一系列更新和新模型，旨在为开发者和用户提供更强大、更快速、更具成本效益的 AI 体验，重点是推出了Gemini 2.0 Pro全新模型AI大神Jeff Dean 盛赞 Gemini 2.0 Pro 的编程能力谷歌首席科学家，人工智能大神 Jeff Dean 分享了他对 Gemini 2.0 Pro …- 2
- 0
-
大模型内容风控–跨模态通用视觉内容安全审核技术
导读 在当前的人工智能领域，多模态学习正快速发展，并在诸多实际应用中展现出巨大的潜力，特别是在安全内容审核、智能客服和自动驾驶等领域。为了提升多模态模型的性能和效率，大规模预训练优化成为了不可或缺的关键环节。训练优化不仅包括数据集的构建与标注，还涉及模型参数微调、超参数优化和训练迭代等复杂过程。通过多样化业务数据的构建和自动化标注系统的引入，模型的训练过程得以高效推进。此外，随着大规模预…- 3
- 0
-
继Operator 之后，Perplexity 推出多模态助手！
继OpenAI 发布Operator 之后，Perplexity 宣布推出多模态助手，瞄准更智能的人机交互时代！这个全新的AI助手不是传统的「问答机器」，而是一个能实际帮你完成任务的智能助理。多模态能力：从看到做最令人兴奋的是它的多模态能力。你可以让它直接启动相机，询问眼前看到的任何东西。这种能力让AI助手第一次真正「睁开眼睛」，不再局限于文字世界。实际行动：不止于对话更厉害的是它能连接现实世界的…- 3
- 0
-
【AI生成图片】无需技术，一键生成非遗剪纸！
随着春节的来临，网上最近出现了更多的AI剪纸非遗效果图。星晴也做了几个非遗剪纸图案，相比之前的工具，生成的效果更好，且无需任何技巧。先看下效果吧。Part.01效果图苏州博物馆东方之门虎丘塔Part.02制作步骤登录堆友：https://d.design/上传参考图选用默认的提示词，点击“立即生成”就可生成剪纸图片。同理，上传东方之门建筑的图片，生成剪纸版东方之门。和虎丘塔剪纸版。是不是很简单，你…- 2
- 0
-
PipeCat – 打造实时语音 AI 应用的开源架构方案
Pipecat 是一个用于实时、多模式 AI 的编排框架。在此用例中，Pipecat 在 WebRTC 媒体流（和 Pipecat 客户端/服务器事件）和多模式实时 API 之间进行转换。图片来自@meng shao这位大神。代码库：https://github.com/pipecat-ai/gemini-webrtc-web-simple此示例展示了如何使用 Gemini Multimodal …- 5
- 0
-
爱奇艺基于多模态的台词说话人识别技术
01# 背景 影视剧剧本涵盖了整部剧的文本描述，包括台词及其说话人信息，对了解剧情有关键作用。然而，长视频平台上线的视频历经各种改版和剪辑处理，相应的剧本信息已缺失，台词说话人识别技术由此产生。台词说话人识别技术指的是从一集长视频里提取并识别不同说话人片段的技术，该技术能够实现对海量长视频内容的结构化管理，具备广泛的应用价值，例如在高光剧情检测业务中，台词说话人识别…- 4
- 0
-
多模态RAG破局：ImageSearch引领图像搜索新革命
今天，我要和大家探讨一种可能改变脑肿瘤诊断效率的技术——基于向量数据库的智能图像搜索。脑肿瘤的诊断往往因肿瘤大小和位置的多样性而极具挑战性。通常，专业神经外科医生的精准分析是保障 MRI 报告准确性的关键。然而，在许多发展中国家，缺乏熟练医生和系统化的肿瘤知识，这导致从 MRI 扫描中生成诊断报告的过程既耗时又繁琐。这是否可以通过技术手段改善呢？答案可能在于自动化的向量数据库搜索系统。通过语义搜索…- 3
- 0
-
V-RAG | 大型视觉文档检索与推理
为解决大型多模态模型(LMM)在图像检索和推理方面的局限性，研究人员提出了DocHaystack和InfoHaystack两个基准测试，并开发了视觉中心检索增强生成框架(V-RAG)，该框架结合了多视觉编码器和相关性评估模块，在DocHaystack-1000和InfoHaystack-1000基准测试中Recall@1分别提升了9%和11%。 论文介绍 …- 3
- 0
-
统一多模态Embedding, 通义实验室开源GME系列模型
01背景随着多媒体应用的迅猛发展，用户产生的数据类型日益多样化，不再局限于文本，还包含大量图像、音频和视频等多模态信息。这为信息检索带来了前所未有的挑战与机遇。传统的信息检索模型多关注单一模态，如仅对文本或图像进行分析和搜索。然而，实际应用中，用户的查询往往涉及多种模态的信息。例如，用户可能上传一张图片并附上一段文字说明，期望找到类似的多模态内容。当前，多模态检索主要依赖于Embedding模型，…- 3
- 0
-
智谱悄悄上线清影2.0，四维能力已达T0，新晋AI视频性价比之神
最近，我们发现有一家视频模型在悄咪咪更新（偷笑）说的就是你，智谱清影 2.0！先说说结论，这次2.0模型的指令遵从、画面稳定、画面美感以及大幅度动作的能力都有提升， 效果很让人惊喜。根据官方数据上提升了38%，可以说清影2.0已经追上一线模型们了。4K，60帧，生成动效既稳定幅度又大，还有基础套餐无限生成，这性价比谁不眼馋吧！那接下来，我们就来仔细盘一波清影的能力到底有什么样的提升！P…- 2
- 0
-
智谱发布新模型，“实时多模态”惊艳所有人
2025年开春，智谱GLM系列模型上新升级了，这次发布可以总结为一句话：模型能力越来越强，对开发者越来越普惠。本次发布当中，尤其让我眼前一亮的是端到端多模态模型GLM-Realtime，简单上手测试之后，我觉得大模型已经进入到了next level，下面跟随K哥一起来抢先体验吧。01行业首个端到端多模态模型，初体验 根据智谱官方的介绍，GLM-Realtime是一个端到端多模态大模型，具有近乎实时…- 3
- 0
-
腾讯混元3D AI 引擎上线
腾讯混元3D AI创作引擎是一款基于先进人工智能技术的一站式、低门槛3D内容生产工具。它允许用户通过简单的提示词或图片，快速生成高质量的3D模型，从而极大地降低了3D创作的技术门槛，提高了创作效率。核心功能文生3D与图生3D：用户可以通过输入提示词或上传图片，快速生成对应的3D模型。生成的3D模型几何结构精细，纹理色彩丰富，支持多种纹理风格选择。3D编辑与纹理生成：引擎提供了丰富的3D编辑工具，包…- 4
- 0
-
阶跃星辰Step-1o重大升级，多模态视觉双榜夺冠，国内第一！
Step-1o 系列是阶跃星辰最新研发的原生端到端文本、视觉、语音三模态生成理解一体化模型。一个月前，我们发布了 1o 家族的首个模型 Step-1o Audio，这也是国内首个千亿参数端到端语音大模型，今天我们很高兴地为大家带来 Step-1o 系列的最新动态：新成员 Step-1o Vision 多模态理解大模型上线！Step-1o Audio 语音模型能力升级！相对于 Step-1V 系列多…- 3
- 0
-
Kimi 发布k1.5思考模型：首个达到o1满血水平的多模态模型，还有完整训练技术报告
1 月 20 日，Kimi发布了k1.5 多模态思考模型。这是继去年 11 月他们发布 k0-math 数学模型，12月发布 k1 视觉思考模型之后，连续第三个月带来 k 系列强化学习模型的重磅升级。Kimi k1.5的性能，如今已经全面追上现役全球最强模型——OpenAI o1满血版。具体来说，在Long CoT模式下，Kimi k1.5的数学、代码、多模态推理能力，达到了长思考SOTA模型Op…- 1
- 0
-
谷歌发布Gemini2.0，开启Agent新时代
在人工智能领域，技术的每一次飞跃都如同璀璨的星辰，照亮了人类探索未知的征程。谷歌，作为全球科技巨头，始终走在AI创新的前列。2024年12月12日，谷歌发布的Gemini2.0，无疑是在这一浩瀚星空中熠熠生辉的新星。它不仅代表了谷歌在AI技术上的深厚积累和前瞻视野，更预示着Agent新时代的全面开启。本文将从Gemini2.0的主要特点出发，深入探讨其背后的技术进步和应用前景，以及这一创新如何引领…- 4
- 0
-
我构建多Agent平台的探索与愿景
术语ReAct是结合推理和行动以提升智能体决策能力的框架Handoffs机制是指多Agent系统中任务在不同Agent之间平滑转移的过程概述最近会遇到跟dify或是fastGPT的对比问题，会同类对比，AIP是目前在维护的开源多Agent平台，类似于crewAI平台。每个设计师思路不一，Agent平台的概念容易与同类产品类比，其实不然。这里为了方便AI助手或是应用统称为Agent。这也是为什么会从…- 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：×