相关文章
495 篇高质量内容
AI Agent到底哪家强？横评五款主流Agent
AI Agent性能大比拼，五款主流产品谁领风骚？ 核心内容： 1. AI Agent成为新热点，五款主流产品横向测评 2. 针对感知、思考、行动、循环四个步骤的全面对比 3. 从任务拆解、效率准确性、多模态输出等角度深入分析
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
探索前沿文档解析技术，洞悉OCR领域的最新进展。 核心内容： 1. Dolphin多模态文档解析模型的双阶段思路与挑战 2. 小尺寸模型在OCR领域的应用前景分析 3. PP-OCRv5更新及其在多模态处理文档OCR任务中的表现
Alivia VLM：企业级视觉智能体在门店场景落地实战
探索Alivia VLM如何通过多模态AI技术助力企业实现门店场景的智能化管理。 核心内容： 1. Alivia VLM混合架构视觉语言模型的创新功能与应用 2. 云边混合处理框架下的门店场景智能化升级 3. Alivia智能体平台在空间管理和商业增长中的应用案例
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
Google I/O大会精彩回顾，AI技术与AR眼镜的革命性融合。 核心内容： 1. Gemini AI助手的多模态领先展示和全方位更新 2. Gemini接管搜索，全家桶变身通用Agent 3. Google Glass的“复活”与实时交互演示
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
PDF转换神器来袭，一键将PDF文件转换为Markdown或EPUB，自动生成目录注释和引文对齐。 核心内容： 1. PDF-Craft工具介绍及安装 2. 将PDF文件转换为Markdown格式 3. 将PDF文件转换为EPUB格式
AI Studio 新增 Veo2 和 Imagen3.0 生成功能，中文支持有待优化
Google AI Studio 带来视频和图片生成新体验，中文支持待提升。 核心内容： 1. AI Studio 新增多媒体生成功能：Veo2 和 Imagen 3.0 2. 支持多种生成方式：文字生成图片、视频等 3. 官方提供示例和提示词，优化中文体验
万字长文：OCR/多模态大模型评测体系全景
深入解析OCR技术与多模态大模型在文档数字化领域的应用挑战与评测体系。 核心内容： 1. 多模态大模型在视觉问答和图文推理中的能力表现 2. 多模态大模型在复杂OCR任务中面临的挑战与评测基准 3. 系统梳理主流多模态评测基准，分析比较其构成与未来方向
ollama 大版本0.7 发布，新引擎支持多模态模型
Ollama 0.7版本全新升级，多模态大模型引擎引领技术新浪潮。 核心内容： 1. Ollama v0.7.0版本发布，支持多模态大模型 2. 支持Meta Llama、Google Gemma等多款主流模型 3. 升级指南与qwen2.5vl模型下载示例
全球首款设计Agent，Lovart在海外大火，马斯克亲自点赞
2025年Agent元年来临，中国AI设计产品Lovart海外大火，连马斯克都点赞！ 核心内容： 1. Lovart作为全球首款设计Agent，集成多种AI工具和非AI工具 2. 只需输入一句Prompt，Lovart就能完成整个设计流程 3. 实测体验：4分钟生成20张中国城市地标建筑图，效果惊艳
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！
快手联合顶尖科研机构，突破多模态奖励模型训练难题，推出R1-Reward模型，实现显著性能提升。 核心内容： 1. 多模态奖励模型在提升大语言模型表现中的关键作用 2. R1-Reward模型提出背景及技术细节 3. R1-Reward在快手业务场景的成功应用案例
深度体验 Lovart：这才是AI Design Agent！设计领域终于迎来了它们的「神」
设计领域的AI革命来了！Lovart，全球首款专业设计AI代理，正在重塑设计工作流程。 核心内容： 1. AI设计工具的进化：从工具到经济参与者的转变 2. Lovart Design Agent：专业设计领域的革命性产品 3. 海外设计大V的实测推荐与Lovart的独特优势
看见设计的未来：Lovart 全球首个设计 Agent 体验
探索设计领域的革命性突破，Lovart引领设计Agent新时代。 核心内容： 1. Lovart：全球首个专业设计Agent的内测体验 2. 全链路设计和执行：一句话完成创意到成品的转变 3. 图像、视频、音乐自由调度：集成前沿AI模型的一体化设计工具
什么是基于知识图谱的多模态推理？
探索AI的多模态推理能力，结合知识图谱实现深度理解和动态知识更新。 核心内容： 1. 多模态推理的定义及其与单模态推理的对比 2. 知识图谱的构成要素和结构化表示方式 3. 多模态推理与知识图谱结合的优势及应用场景
让Dify知识库“看懂”图片！一款MinerU 工作流解决方案
将图片和PDF文档无缝整合进Dify知识库，MinerU工作流解决方案全解析。 核心内容： 1. 面对非文本资料的解析难题，MinerU如何助力Dify知识库 2. 部署MinerU-API，创建Dify知识库的前期准备步骤 3. 搭建工作流，实现文档解析与知识库创建的自动化流程
Gemini API 集成 Imagen 3，带来更强大的图像生成功能
开发者的新利器！通过 Gemini API 集成 Imagen 3，体验 Google 最强图像生成技术。 核心内容： 1. Gemini API 接入 Google Imagen 3，图像生成新选择 2. Imagen 3 强大的图像生成能力及多样化风格 3. 价格、参数控制及数字水印技术介绍
Veo 2正式登陆Google AI Studio了——实在太疯狂了！
只需一句话，Veo 2即可将你的想象变为电影级视频片段，开启创意新纪元！ 核心内容： 1. Veo 2在Google AI Studio的惊艳亮相 2. 无需视频编辑技能，一句话生成视频的革命性体验 3. 创意无限，Veo 2如何颠覆传统视频制作流程
Adobe首发多Agent、跨模态框架MDocAgent：复杂文档理解性能爆炸12%，错误率直降21%
Adobe突破性AI技术，MDocAgent多Agent框架，实现文档理解新高度。 核心内容： 1. 复杂文档理解的现有挑战与局限性 2. MDocAgent多Agent框架的创新设计 3. 跨模态信息融合与文档问答性能提升
多模态文档检索开源方案-三大竞赛获奖方案技术链路
探索多模态文档检索的前沿技术，了解三大获奖方案如何革新信息检索。 核心内容： 1. 多模态文档检索技术概述及其重要性 2. MMDocIR任务：长文档多模态检索挑战与数据集 3. M2KR任务：开放域视觉检索基准及多模态检索框架
多模态 GraphRAG 初探：文档智能+知识图谱+大模型结合范式
探索文档智能解析技术新突破，一文尽览GraphRAG多模态应用范式。 核心内容： 1. 文档智能解析技术链路与文档层级关系构建 2. 多模态图索引构建与检索生成流程 3. 知识图谱在解决chunk关联及细粒度问题中的应用 4. 文档多模态RAG技术进展与实践
推翻传统RAG，腾讯用生成式检索打开多模态新局面
腾讯最新研究，用生成式检索颠覆传统RAG，开启多模态新纪元。 核心内容： 1. 传统检索在多模态应用中的局限性和挑战 2. GeMKR：基于大语言模型的生成式检索方法 3. 实验结果：在多模态知识检索数据集上的性能表现