#视觉语言模型
共 48 篇相关文章
DeepSeek V4 Pro接入Codex和Claude Code全攻略
·10 分钟
DeepSeek V4 Pro接入Codex和Claude Code全攻略
详细教程：如何将DeepSeek V4 Pro低价API接入Codex和Claude Code桌面端，含安装配置步骤、实测Token消耗与费用对比，助你以几分钱成本完成AI辅助编程任务。
阅读全文 →
·5 分钟
LlamaFactory：统一微调100+大模型的开源框架详解
深入介绍LlamaFactory开源项目，一个支持100+大语言模型和视觉语言模型的统一微调框架，涵盖LoRA、QLoRA、RLHF等高效微调方法，提供Web UI可视化操作，GitHub超7万Star，ACL 2024收录。
阅读全文 →
科技前沿·8 分钟
Claude驱动NASA火星车规划路线，Windsurf推出IDE模型竞技场
Claude为NASA毅力号火星车规划行驶路线，Windsurf推出Arena Mode实现IDE内模型对比，商汤开源多模态推理模型，Anthropic研究揭示AI辅助学习的利弊。汇总AI领域最新动态。
阅读全文 →
前沿研究·8 分钟
SciMDR：7B小模型如何在科研推理上比肩GPT-5
耶鲁大学等机构推出SciMDR框架，通过两阶段数据合成流水线，让70亿参数小模型在科研文献阅读理解上达到接近GPT-5水平。本文详解其降维构建与升维重塑的核心技术原理及实验结果。
阅读全文 →
教程攻略·11 分钟
前端AI全栈开发实战：PNPM MonoRepo架构搭建多模态应用
详解前端AI全栈开发的工程化实践，从PNPM MonoRepo架构设计、TurboRepo构建优化到LangChain多模态应用完整链路，涵盖子包规划、AI引擎封装、Ollama模型调用等核心环节，助力前端开发者快速切入AI全栈赛道。
阅读全文 →
前沿研究·9 分钟
MementoGUI：解决长周期GUI智能体健忘症的多模态记忆管理框架
MementoGUI是一个插件式多模态记忆管理框架，通过双时间尺度记忆系统和四个记忆控制算子，有效解决GUI智能体在长周期任务中的遗忘问题，无需微调即可显著提升长任务完成率。
阅读全文 →
科技前沿·7 分钟
Step 3.7 Flash：198B稀疏MoE多模态模型深度解析
深度解析StepFun AI发布的Step 3.7 Flash，一款198B参数稀疏MoE视觉语言模型，支持256K上下文与三级推理，在多模态理解、AI编程和Agent工具编排方面表现顶尖，已获SGLang首日支持。
阅读全文 →
科技前沿·8 分钟
AI日报：IBM开源Granite 4.0混合架构，Google Jules命令行工具发布
2025年10月3日AI日报：IBM发布Granite 4.0混合架构开源模型大幅降低推理成本，Google推出Jules命令行工具和Gemini 2.5 Flash Image正式版，蚂蚁集团开源Ming UniVision视觉语言模型，OpenAI估值达5000亿美元并与日本政府合作。
阅读全文 →
科技前沿·6 分钟
GLM5架构曝光745B参数，DeepSeek V4或先发量化版小模型
GLM5代码泄露揭示745B参数MoE架构，复刻DeepSeek V3设计。DeepSeek V4或先发200B量化版小模型，旗舰版参数超1T。一文解读国产大模型最新竞争格局与技术路线。
阅读全文 →
教程攻略·8 分钟
Claude Code+Skills：AI驱动测试用例生成效率提升10倍实战
详解Claude Code结合Skills技能封装的AI驱动软件测试方案，通过将测试专家经验编码化，实现从33条到400+条测试用例的质变。涵盖Skill封装思路、智能体工作流构建及测试工程师角色转型指南。
阅读全文 →
产品体验·3 分钟
Gemini 3 Pro零代码实战：用AI Studio构建三款完整应用
实测Google Gemini 3 Pro的Vibe Coding能力，通过AI Studio零代码构建AI课程网站、SaaS数据仪表盘和3D射击游戏三个完整应用，深度体验标注模式、自动纠错等核心功能。
阅读全文 →
行业洞察·5 分钟
Vibe Coding是什么？AI氛围编程的原理、工具与实践指南
深入解析Vibe Coding（氛围编程）的概念与工作原理，梳理Cursor、Bolt等主流AI编程工具生态，探讨Vibe Coding对开发者的影响、面临的挑战及未来发展方向。
阅读全文 →
教程攻略·6 分钟
OpenCode实战：零代码搭建YOLOv8目标检测全自动流水线
详解如何用OpenCode的Skill模型，通过自然语言指令实现YOLOv8目标检测全流程自动化——从摄像头录制视频、自动抽帧标注、模型训练到实时识别，全程零代码，两小时完成完整项目。
阅读全文 →
教程攻略·3 分钟
Claude计算机操控最佳实践：截图缩放与坐标映射全攻略
详解Anthropic官方发布的Claude计算机操控最佳实践，涵盖截图缩放分辨率选择、坐标映射代码实现、模型搭配策略、小目标点击技巧及长任务上下文管理，解决Agent点击偏移的核心问题。
阅读全文 →
产品体验·3 分钟
开源AI桌宠小猫：Qwen 3.5 Omni+ESP32打造全模态智能伙伴
基于Qwen 3.5 Omni全模态模型和ESP32-S3的开源AI桌宠小猫项目，支持情感语音交互、视觉感知、手势互动和一日记录复盘功能。附完整复刻教程，含硬件清单、3D打印模型和代码烧录指南。
阅读全文 →
产品体验·7 分钟
OpenAI Codex移动端上线：手机远程操控编程开发实测
OpenAI Codex正式登陆ChatGPT手机端，支持扫码连接远程操控电脑端编程。实测覆盖代码修改、UI测试、浏览器自动化及跨Agent调度，延迟低于Claude方案，开发者一部手机即可完成完整开发工作流。
阅读全文 →
产品体验·8 分钟
GitHub 8K Star：最全LLM大模型资源宝库深度解析
深度解析GitHub热门项目awesome-LLM-resources，涵盖多模态生成、AI Agent、MCP协议、模型训练推理、o1模型、小语言模型等LLM核心方向，8200+ Star社区验证的大语言模型学习资源一站式导航。
阅读全文 →
产品体验·10 分钟
GitHub 8K星：最全LLM资源宝库深度解析
深度解析GitHub 8200+星的awesome-LLM-resources项目，涵盖多模态、AI Agent、MCP协议、模型训练推理、o1模型、小语言模型等十大核心板块，为LLM从业者提供最全面的中文学习资源索引。
阅读全文 →
产品体验·12 分钟
Hugging Face Transformers：16万Star开源AI模型框架深度解析
深度解析Hugging Face Transformers开源框架，涵盖核心架构、多模态模型支持、社区生态及发展趋势。了解这个16万Star项目如何成为AI开发者的必备工具，以及如何快速上手预训练模型的推理与微调。
阅读全文 →
教程攻略·10 分钟
RAGFlow部署教程：从Docker安装到Agent工作流完整实战指南
手把手教你RAGFlow部署全流程：Docker安装启动、DeepSeek模型接入、知识库搭建与文档解析、聊天助理创建及Agent工作流编排。涵盖网站嵌入与API调用，助你快速上手这款GitHub 5万Star的开源RAG引擎。
阅读全文 →