-
Sakana AI ：进化的通用 Transformer 存储器
进化的 Transformer Memory Transformer 引入了一种革命性的记忆系统，其灵感来自人类记忆如何选择性地保留和修剪信息。记忆不仅可以提高现有预训练 Transformer 的性能和效率，而且还可以跨不同基础模型普遍迁移，甚至超越语言，无需任何重新训练。 记忆是认知的重要组成部分，它使人类能够从主宰我们生…- 3
- 0
-
Gemini 2.0: 我们智能体时代的最新 AI 模型
信息是人类进步的基石。26 年来，我们始终专注于我们的使命 —— 整合全球信息，供大众使用，让人人受益。这也是我们持续拓展人工智能前沿领域的原因。我们整合来自世界各地的信息，并通过多样化的输出方式，让这些信息触手可及，真正为您所用。正是基于这个愿景，我们在去年年底推出了 Gemini 1.0。作为首个原生多模态模型，Gemini 1.0 和 1.5 在多模态和长上下文处理方面取得了重大进展，能够理…- 2
- 0
-
谷歌大招来了！！Gemini 2.0 原生多模态输入输出
谷歌的大招终于来了，发布了 Gemini 2.0 Flash 应该是第一家实现原生多模态输入输出的模型，而且还有新的编码代理，这些代理将通过替代开发人员采取行动来增强工作流程。Gemini 2.0 FlashFlash 2.0 的速度是 1.5 Pro 的两倍，同时实现了更强的性能，包括新的多模式输出，并附带原生的工具使用。 更好的性能：Gemini 2.0 Flash 比 1.5 Pro 更强大…- 3
- 0
-
如何提取手写票据信息？
场景：票据信息结构化提取某客户业务中涉及的票据类型繁多，包括手写票据、打印小票、文档电子表格等，如下图所示。客户希望利用我们的多模态大模型qwen-vl来将这些不同类型的票据信息提取为结构化数据，以便后续进行自动化处理和分析。最关键的需求是确保所提取的票据信息准确无误，尤其是关键信息（如编号编码），不能遗漏也不能出现错误。这将使客户能够更高效地管理他们大量的票据数据，减少人工处理的工作量，提高工作…- 5
- 0
-
【实战干货】AI大模型工程应用于车联网场景的实战总结
一、前言1.1 AIGC 发展背景图像作为人工智能内容生成的一种模态，一直在AIGC领域中扮演着重要角色，由于图像生成应用的广泛性和实用性，使其受到学术界和产业界相当多的关注。近年来，图像生成技术也取得了很多关键性突破，从经典的GAN技术到目前主流的扩散模型，以及在此基础上不断迭代出性能更强、生成效果更好的算法和模型，极大拓展了图像生成技术的应用领域和发展前景。而在进行商业化落…- 2
- 0
-
李飞飞：Agent AI 多模态交互的前沿探索
发布于：2024 年 11 月 27 日 星期三 北京Agent AI在多模态交互方面展现出巨大潜力，通过整合各类技术，在游戏、机器人、医疗等领域广泛应用。如游戏中优化NPC行为，机器人领域实现多模态操作等。然而，其面临数据隐私、偏见、可解释性等问题。未来，需加强技术创新，改进算法提升性能，解决伦理问题，推动跨领域融合，以实现Agent AI的持续发展，为社会带来更多积极影响。本文只对关键信息做了…- 4
- 0
-
使用Llama 3.2-Vision大模型，搭建本地Ollama OCR应用
用Python和Ollama的Llama 3.2-Vision模型搭建自己的OCR应用。光学字符识别技术，简称OCR，目前是数字化印刷文本和提取图像信息的核心手段，其重要性正日益凸显。如今，有了AI的加持，尤其是像Llama 3.2-Vision这样的模型，OCR变得更加强大。本文教会大家用Python和Ollama的Llama 3.2-Vision模型，一步步搭建起自己的OCR应用。先决条件在开…- 3
- 0
-
Molmo 7B：多模态智能下的文本提取
现如今文本和图像数据非常的丰富，如何高效、准确地从这些多模态（Llama 3.2：开启多模态AI的新篇章）数据中提取有价值的信息成为了人工智能领域的重要研究课题。AllenAI 的 Molmo 7B 模型的出现，为多模态智能下的文本提取带来了新的曙光。它不仅在学术研究中展现出卓越的性能，而且在实际应用场景中也具有巨大的潜力，正逐步改变着我们处理和理解文本与图像信息的方式。一、Molmo 7B 模型…- 2
- 0
-
简单到爆！Llama – OCR 仅需 3 步，小白也能完成高质量 OCR 识别！
在当今数字化信息爆炸的时代，光学字符识别（OCR）技术扮演着至关重要的角色。从处理海量的纸质文档到从图像中提取关键信息，OCR 技术不断革新。Llama-OCR 作为一款新兴的 OCR 工具，凭借其独特的技术和功能逐渐受到广泛关注。本文将深入探讨 Llama-OCR 的原理、特点、应用场景以及使用方法，为您揭开它的神秘面纱。一、Llama-OCR 概述Llama-OCR 是一款基于 Llama 3…- 3
- 0
-
Encord全球首发多模态数据标注编辑器，AI数据开发技术有哪些新趋势？
数据平台是AI应用的基石，负责处理、管理和优化用于训练和测试机器学习模型的数据。一个强大的AI数据平台能够确保数据的质量和多样性，这对于构建高效、准确的AI模型至关重要。随着技术的进步，AI数据平台也在不断进化，以满足日益增长的数据处理需求。近日，Encord最近推出了一系列新功能，这些功能不仅提升了数据处理的效率和质量，还为多模态AI模型的开发提供了强大的支持。Encord数据开发平台以其创新的…- 4
- 0
-
Pixtral Large：128K 上下文窗口 + 多模态融合，开启智能新视界！
在当今科技飞速发展的时代，人工智能领域正以前所未有的速度变革着我们的世界。其中，多模态 AI 模型作为前沿技术的代表，成为了人们关注的焦点。这些模型融合了文本、图像等多种模态的信息，为信息处理和理解带来了全新的维度。在这一充满活力的领域中，Mistral AI 公司于 2024 年 11 月 18 日发布的 Pixtral Large 多模态 AI 模型脱颖而出。本文将深入剖析这一创新模型，包括其…- 5
- 0
-
基于GPU的ANN检索
导读 introduction近似最近邻（ANN）向量检索的CPU方案已被广泛地应用于在线检索等多种场景中并取得了不错的效果。GPU相比CPU拥有更强大的并行计算能力，如何将GPU引入ANN检索获取更大收益，成为了业界重点研究的难题之一。百度与NVIDIA技术团队，基于 RAFT[1]开源代码库设计并实现了一种基于GPU的ANN在线检索方案，在一类高检索流量业务场景下获得了显著的成本收益…- 3
- 0
-
打破文本边界：如何进行多模态RAG评估
01整体介绍在现代信息处理与检索系统中，如何有效地从这些包括了文本，图像，视频等多模态混合内容中，提取和利用信息是一个重要的研究方向。一般的检索增强生成（RAG，Retrieval-Augmented Generation）方法主要依赖于文本数据，常常忽略了图像中的丰富信息。多模态大型语言模型（MLLM）的出现.为这一问题提供了新的解决方案。例如，GPT-4o和Qwen-VL等多模态大模型，不仅能…- 5
- 0
-
西湖大学&腾讯：一个多模态Web Agent的开源框架
-OpenWebVoyager:通过迭代式的实际探索、反馈和优化构建多模态Web智能体。Hongliang He1,3*, Wenlin Yao2†, Kaixin Ma2, Wenhao Yu2, Hongming Zhang2,Tianqing Fang2, Zhenzhong Lan3, Dong Yu2123 浙江大学，腾讯AI Lab（西雅图），西湖大学编者：OpenWebVo…- 6
- 0
-
最复杂多智能体发布！百度推出“秒哒”和文心iRAG
11月12日，百度创始人李彦宏在百度世界2024大会上发表了主题为《应用来了》的演讲，同时发布两大赋能应用的AI技术：检索增强的文生图技术（iRAG）和无代码工具“秒哒”。幻觉问题是大模型广泛应用的最大限制之一，特别是在文生图领域，一些特定场景如长城、金字塔，特定人物爱因斯坦、贝多芬等，是出现幻觉的重灾区。目前业界认为解决文本生成幻觉最好的技术就是RAG，即检索增强生成。RAG技术的原理是通过从外…- 4
- 0
-
【RAG&多模态】多模态RAG-ColPali：使用视觉语言模型实现高效的文档检索
前面文章提到，文档智能解析能够有效的增强RAG系统的准确性。【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路可以看到基于PDF的RAG，需要先对pdf进行解析，生成文本chunk，然后再基于文本建索引。这种pipline的方式，每个解析模块都需要放置对应的解析模型，存在着错误传播的问题。因此，笔者看到ColPali时，这种端到端的方案挺有意思，本文来看一看这…- 4
- 0
-
开摆！谷歌AI视频上线！脚本、素材、剪片全稿定！
11月7日，谷歌宣布正式面向Google Workspace用户推出Google Vids应用。该应用旨在简化视频制作过程——即使用户没有视频制作经验，也能通过简单的操作制作出专业的视频。01谷歌Vids主要功能AI视频生成与编辑：Google Vids能够根据用户输入的文本描述或上传的素材，利用AI技术自动生成初步的视频内容，包括故事板、脚本和旁白。用户还可以轻松编辑和自定义这些内容，以满足自己…- 4
- 0
-
文档OCR版式识别，兼顾速度与精度，YOLO当首选
最近分享了很多关于文档OCR版式识别的文章。总体来看：视觉语言大模型文档OCR通用效果最强，用起来也最方便；但是缺点也非常明显，由于涉及到视觉模型、桥接层、语言模型三个部分，微调起来非常不方便。LayoutLM系列模型，基于transformer，虽然能应对多重任务，精准度尚可，但是识别速度没有优势。YOLO系列的文档OCR版式识别，优点：是速度快，微调模型也方便，在单一场景下精度不输上面两类模型…- 3
- 0
-
硬核升级！在Ollama中使用Llama3.2视觉模型
“ 2024年11月6日，Ollama发布了0.4版本，新增支持在本地加载和运行Llama3.2视觉模型，包括11B和90B两个大小的版本。”01—快速入门1. 下载安装Ollama 0.4版本下载地址： https://ollama.com2. 运行Llama3.2视觉模型：ollama run llama3.2-vision3. 如果你的电脑配置足够强大…- 1
- 0
-
dify案例分享-基于多模态模型的发票识别2-多种发票识别
上期文章我们提到使用dify基于多模态模型实现单张发票识别功能。本期文章我们在原有的单张发票识别基础上实现多种发票识别的dify基于工作流的智能体。下面我们首先介绍一下整体功能。 这里面主要功能：用户上传一个发票图片（目前我们这工作流支持6种发票），发票会经过文档提取器。文档提取器提取用户上传的发票传递给llm多模态模型，这个模型的作用是判断这发票是哪个类型的发票，接下来我们会根据条…- 3
- 0
-
星辰 AI 大模型：中国电信的 AI 大模型集合平台，支持多模态任务和多语种处理
? 快速阅读星辰大模型是中国电信推出的 AI 大模型集合平台，涵盖语义、视觉和语音等多个领域。平台包括星辰语义模型、星辰语音大模型和星辰多模态大模型，支持多语种和多任务处理。星辰大模型的应用场景广泛，包括智能客服、内容审核、智能写作等。正文（附运行示例）星辰大模型是什么星辰大模型是中国电信推出的 AI 大模型集合平台，覆盖语义、视觉、语音等多模态领域。平台包含不同参数量级的模型，支持长文本处理，具…- 2
- 0
-
NotebookLM 启发的 AI 原生产品设计思路
Modality：模态转化知识产权液化，随时随地变形红红火火，其实和 NotebookLM 没什么关系。和 Audio Overview 更相关，5 月份 IO 大会上宣发，9 月份正式上线，两波流量上涨。Audio Overview 功能，和之前的 NotebookLM 相比，最直观的变化就是模态：语音。类似的例子其实可以参考"樊登读书"和抖音上的"3 分钟看完 X…- 2
- 0
-
Oasis，世界第一款 AI 实时生成游戏来了，在线试玩，体验未来
就在刚刚，世界上第一款 AI 实时生成的游戏，它来了！它的名字叫 Oasis 绿洲怀着激动的心情，立即上手试玩玩了一会儿，验明正身，确实是实时生成的。一起来看看试玩视频你就知道为什么了（试玩已开放，地址在文章最后）：虽然分辨率很渣 虽然也没那么好玩 但最重要的是，实时性不错没想到，可以这么快大众就可以体验到游戏的新技术了。AI 生成内容的的未来，一定会是，壮丽辉煌。AI 游戏技术简介 :Oasis…- 1
- 0
-
Cohere推出多模态 AI 搜索模型 Embed3了
场景问题需要用解决方案去落地，通过多模态AI搜索模型的方式去构建支持图像和文本搜索的企业级解决方案，这应该是很多初创公司很想去做的事情。近日，Cohere 公司发布了他们最先进的多模态 AI 搜索模型 Embed3，个人觉得这是Cohere在人工智能领域支持图像和文本搜索企业级解决方案上的重大突破。Embed3技术创新❶多模态学习的突破多模态学习是指让机器同时从多种不同类型的数据中学习，如文本、图…- 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：×