搜索[多模态理解]结果-低调大师优秀个人博客

精选列表

搜索[多模态理解]，共10000篇文章

打破“次元壁”：多模态原生Agent、实时流式交互与具身感知工程化实战

【机器之心/斯坦福HAI综合报道】 2026年7月，随着GPT-5o与Gemini 2.5等多模态原生模型（Natively Multimodal Models）的全面普及，AI Agent正式从“文本对话框

2026-07-12

Claude Code + DeepSeek V4 唯一的遗憾要被补齐了：多模态识图灰度上线

不是凭空出现：那些被忽略的多模态铺垫很多人以为 DeepSeek 之前一直只做文本，识图能力是凭空冒出来。

2026-04-30

🔥 VTJ.PRO 重磅集成 Gemini 3，开源AI低代码引擎迈入多模态智能新纪元

此举标志着这款明星开源项目不再局限于单一AI能力，而是进化成一个具备多模态深度理解、复杂逻辑推理与高质量代码生成的智能开发平台，为前端与全栈开发者带来前所未有的效率革新。

2026-01-15

Jan 团队发布 Jan-v2-VL，专为长周期执行任务设计的多模态模型

Jan团队发布了Jan-v2-VL-Max，一个30B多模态模型，专为长周期执行任务设计。

2025-12-24

通义万相团队发布 Wan2.5-Preview，实现多模态输入与电影级视频同步生成

稳定文字生成：支持中英文、小语种、艺术字、长文本、复杂构图精准渲染，海报/LOGO一次成型；图表直接生成：可输出科学图表、流程图、数据图、架构图、文字内容表格等结构化图文；指令遵循提升：复杂指令精细化理解

2025-09-24

智源联合南开大学开源 Chinese-LiPS 中文多模态语音识别数据集

智源研究院宣布已开源与南开大学共同构建的 Chinese-LiPS 中文多模态语音识别数据集。

2025-05-13

谷歌搜索测试「AI Mode」：整合多模态和实时信息、一键解答复杂问题

谷歌表示，AI 模式将提供更高级的推理、思考和多模态能力，帮助用户更高效地获取信息。谷歌表示，以往用户在处理复杂问题时，往往需要多次搜索才能解决，而“AI 模式”能够解决这个痛点。

2025-03-06

搜狗 AI 交互技术部总经理陈伟：未来AI语音交互产品将会走向多模态

借此契机，陈伟于 2012 年 8 月加入搜狗，负责带领搜狗 AI 交互技术团队，围绕搜狗“自然交互 + 知识计算”的 AI 战略，重点布局搜狗多模态人机交互技术的研发和产品化工作，研究的领域覆盖了多模态人机交互系统的各项技术

2020-06-03

演讲式 AI 陪练引擎设计：PPT 内容解析、翻页节奏感知与多模态评分的工程实现

对话陪练（销售话术、客诉处理）评估的是"说什么"——AI 扮演客户，看学员的应对是否得当，核心是内容与策略的匹配。演讲陪练评估的是"怎么说"——同样一份 PPT、同一篇讲稿，讲得流畅与讲得磕绊是两种结果，全程念稿与脱稿转述是两种水平，压着时间讲完与超时一半更是天壤之别。核心是表现与基准的偏离度。这个差异带来三个全新的工程问题：问题一：内容基准从哪来？对话陪练的基准是"标准应对话术"，通常几句话就够。演讲陪练的基准是"这 31 页 PPT 每页应该讲什么"——一份 31 页的方案汇报，全程应该讲 40 分钟，每页都有该覆盖的要点。基准必须做到页级粒度，否则评估无从谈起。问题二：翻页节奏怎么感知？现场演讲中"讲到哪页了"由演讲者翻页决定，AI 陪练要跟着学员的节奏走：学员说"下一页"，界面要翻页；学员第 3 页还没讲完就开始讲第 4 页的内容，AI 要知道当前应该停在第 3 页——否则"这一页漏讲了"的判定全部错位。问题三：表现质量怎么量化？ "讲得好不好"在人工评委那里是感觉，在 AI 这里必须拆成可计算的信号：语速（每分钟字数）、停顿（异常长停顿的次数与分布）、口头禅密度（"嗯""然后"的每分钟频次）、脱稿程度（演讲内容与 PPT 原文的逐字重合度）、时间管控（实际时长 vs 预算时长）。三个问题对应本文的三个核心模块：页级内容基准、翻页感知状态机、多维评分引擎。先看整体架构。

2026-10-14

合同审核的上半场是解析：腾讯云多模态文档解析的合同与档案场景实践

合同智能审核的成败，一半在审核模型，另一半在审核开始之前的数据准备——多源格式没统一、跨页条款断在中间、扫描件要素残缺，再好的审核规则也是空转。腾讯云多模态文档解析（MMDP）在产品页把合同列为核心场

2026-10-13

RAG 的地基在解析：腾讯云多模态文档解析与知识库建设八问直答

腾讯云多模态文档解析（MMDP）深度融合 OCR 与多模态大模型能力

2026-10-13

新能源汽车充电站AI安全预警系统方案：多模态感知破解占位与通行乱象

新能源汽车充电站AI安全预警系统方案通过纯视觉感知与边缘智能分析，实现了对场站全要素的实时理解与主动干预，为充电运营商提供了轻量化、高精度的数字化治理新路径。

2026-09-19

多模态大模型已经能识别和描述视频，为什么仍然缺乏可靠的时序感知能力？

按下播放键，内容自己浮出来了。可能藏着几个字母，可能是一个物体的轮廓。动起来才有，停下来就没了。

2026-09-14

多模态大模型进化史：从"翻译官"到"原生双语大脑"

最近被多模态的效果圈粉，感觉距离那个"OCR 糊成一团、指令理解弱到离谱、幻觉高到吓人"的时代也没过去多久，但多模态模型的效果已经发生了飞跃式的进步。

2026-08-24

一个字段，搜遍所有媒体：用 semantic 字段为微信打造多模态搜索

Elasticsearch 9.5 的 semantic 字段让多模态搜索像文本搜索一样简单。

2026-08-18

DeepSeek 涨价后怎么办：峰谷错峰省一半，小米多模态模型可平替

DeepSeek 涨价了，8 月 17 日零点生效，最高涨幅冲到 1100%。消息一出，调接口的群里哀嚎一片。别急着骂，这篇把峰谷计价规则掰开揉碎，再给你一个现成的省钱平替方案，看完你就不慌了。

2026-08-18

从多模态数据处理到模型训练：腾讯云EMR-Ray打通Data+AI全流程

以视频理解为例，团队需要先从对象存储读取海量视频，再完成格式校验、切分、抽帧、音频提取、画质过滤、图文匹配、内容安全检测和 Caption 生成；随后把处理结果转换为训练集，交给 GPU 集群进行分布式训练

2026-08-05

台青辣董AIMV《阿母欄红龟粿》方言AI声纹建模：腾讯云多模态管线实践

我是廖昌威（辣董），一名闽南语母语者兼 AI 全栈开发者，用"方言声纹建模 + 微距超写实多模态管线"做的 AIMV《阿母欸紅龜粿》，拿下了第三届「京彩台湾」两岸青年短片大赛 AI 特别单元·我的家庭记忆三等奖

2026-07-24

多模态RAG幻觉率仍超40%，5段代码构建可信检索增强生成管道

引言：多模态RAG的信任危机 2026年7月，随着企业知识库全面向图文、表格、PDF等多模态数据演进，多模态RAG（检索增强生成）成为标配。

2026-07-15

多模态GEO优化：实景照片、门店短视频、门店实景全景图嵌入地理坐标提升权重

随着生成式AI与本地生活检索体系全面升级，主流平台本地流量排序逻辑已彻底革新，不再单一依靠文字关键词匹配，而是形成文本语义权重+视觉实景可信度权重+地理元数据确权权重+时空场景匹配权重四维评分体系。据行业公开检索权重拆分数据显示，在实体门店本地搜索场景中，地理元数据确权权重整体占比超42%，是决定平台判定门店真实度、本地匹配度、自然推荐优先级的核心维度。

2026-07-14

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。