#多模态模型
共 273 篇相关文章
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 →
·6 分钟
Gemini视频生成三大痛点：付费用户真实吐槽与深度解析
Google Gemini视频生成功能遭付费用户公开吐槽，暴露AI擅自加戏、无害内容被拒、系统稳定性差三大痛点。深度解析AI视频生成从演示走向商用的核心挑战。
阅读全文 →
·7 分钟
苹果AI战略解读：后发制人还是战略失误？
深度解析苹果在AI浪潮中的克制策略。苹果为何不急于跟进AI军备竞赛？从后发制人的历史经验、泡沫破裂后的抄底逻辑到硬件生态护城河，全面剖析苹果AI布局的战略意图与潜在风险。
阅读全文 →
·7 分钟
claude-video：让Claude学会"看"视频的开源工具解析
claude-video是一个GitHub热门开源项目，通过视频抽帧和音频转录技术，赋予Claude分析和理解视频内容的能力。本文详解其工作原理、应用场景及局限性，帮助开发者快速上手视频多模态分析。
阅读全文 →
·7 分钟
AI时代的"永久底层"：普通人如何应对阶层固化焦虑
从Reddit热帖到Sam Altman的"永久底层"概念，深度剖析AI时代阶层固化的真实风险。探讨普通人面对AI冲击的出路：从工具使用者转变为问题定义者，关注AI难以替代的价值领域，参与制度层面的变革讨论。
阅读全文 →
·6 分钟
Gemini 3 Flash：从照片提取纹理，打造定制创意工具
深入解析Gemini 3 Flash的核心能力：从环境照片提取真实纹理生成设计素材，帮助设计师和开发者构建定制化创意工具，缩短灵感到成品的距离。
阅读全文 →
·8 分钟
自托管小票记账工具：追踪食品开支与价格变化
探索自托管小票记账工具的核心需求与技术实现，涵盖OCR小票识别、商品价格追踪、食品开支分类与预算管理，并推荐Firefly III等开源方案，帮助你在保护数据隐私的前提下精细化管理日常消费。
阅读全文 →
·12 分钟
Gemini API 实战：用文件构建 AI Agent
谷歌官方实操分享：如何用 AI Studio 快速从想法到生产，并借助正式 GA 的 Interactions API 构建 AI Agent。核心理念是「Agent 即文件的组合」——只需 Markdown 加少量脚本，无需复杂 Python 循环即可打造功能强大的托管 Agent。
阅读全文 →
·8 分钟
AI Agent实战：从零开发嘉立创局部网表分析插件
详解B站UP主如何借助AI Agent、MCP与Playwright从零开发嘉立创EDA局部网表分析插件，涵盖插件功能、安装配置及Agent驱动开发的完整流程与避坑经验，为AI辅助EDA开发提供可复用范式。
阅读全文 →
·6 分钟
Grok 4.5实测：代码生成与科研绘图能力全面解析
深度实测xAI最新发布的Grok 4.5大模型：网页开发代码生成一次成型，科研配图质感媲美顶刊插图。本文解析Grok 4.5核心能力、与Claude Opus的横向对比，以及多模型聚合平台的使用建议与注意事项。
阅读全文 →
·8 分钟
智谱手机AI Agent实测：云手机方案能力与局限全解析
实测智谱推出的手机AI Agent应用：通过云手机方案绕开权限限制，支持自然语言指令驱动自动化操作。本文详解其核心机制、真实表现、预装应用限制及未来潜力，帮你判断是否值得尝鲜。
阅读全文 →
·8 分钟
一句提示词生成电影海报，AI图像one-shot能力解析
一位Reddit用户仅凭一句提示词，让AI生成了高完成度的仿版电影海报。本文深度解析AI图像生成的one-shot能力突破，涵盖文字渲染、名人形象还原、体裁风格把控等技术进展，并探讨深度伪造与信息安全的潜在风险。
阅读全文 →
·15 分钟
GPT-5.6深度评测：Sol、Terra、Luna三模型选型完全指南
GPT-5.6正式开放，一次推出Sol、Terra、Luna三款模型。本文结合权威基准数据与真实用户反馈，深度解析三款模型的性能差异、强项弱点，并给出清晰的选型建议，帮你找到最适合自己的那一款。
阅读全文 →
·12 分钟
英伟达领投1亿美元！巴黎AI语音初创Gradium杀入硅谷
巴黎AI语音初创公司Gradium完成1亿美元种子轮融资，获英伟达战略加持。本文深度解析英伟达生态投资逻辑、欧洲AI公司全球化野心，以及AI语音赛道最新竞争格局。
阅读全文 →
·16 分钟
DeepSeek神秘撤稿论文：用视觉基元突破AI多模态推理瓶颈
DeepSeek一篇名为《Thinking with Visual Primitives》的论文上线仅4小时即被撤下。论文提出用边界框与点作为视觉推理基元，让模型在思考时直接"指向"图像，在迷宫导航、路径追踪、细粒度计数等任务上大幅超越GPT、Gemini和Claude，为多模态AI推理开辟新方向。
阅读全文 →
科技前沿
每日AI新鲜事·07月24日早间版：AI直接操控手机与编程变现热潮
·1 分钟
每日AI新鲜事·07月24日早间版：AI直接操控手机与编程变现热潮
2026年07月24日早间版 AI新闻速递+热点深度讨论
阅读全文 →
·14 分钟
通义千问Qwen-Image-3.0：AI图像生成从玩具到生产力工具的跨越
通义千问Qwen-Image-3.0图像生成模型全面升级：支持4500 token超长指令、像素级细节渲染、12语言知识理解及古画修复。本文深度解析三大核心能力，探讨AI生图如何真正迈入实用工具时代。
阅读全文 →
·14 分钟
Kimi K3发布：2.8万亿参数全球最大开放权重模型
月之暗面正式发布Kimi K3，拥有2.8万亿参数，成为全球规模最大的开放权重大模型。支持100万Token超长上下文、原生多模态与常开思考模式，并搭载Kimi Delta Attention等自研架构创新，多项基准测试跻身全球前三。
阅读全文 →
·19 分钟
Ollama+Dify+DeepSeek本地企业级知识库搭建全指南
手把手教你用Ollama+Dify搭建本地企业级RAG知识库，涵盖模型安装、IP监听配置、自定义微调模型导入、Embedding向量检索全流程，彻底摆脱云端API依赖，保障数据安全。
阅读全文 →
·13 分钟
用 Ollama 跑本地模型接入 Claude Code，AI 成本降低 99%
通过 Ollama 开源方案，将 Claude Code 等 AI 编程工具指向本地运行的开源模型，解锁 DeepSeek、Qwen3、Gemma 等数百个模型，在保持原有工作流不变的前提下，将 API 使用成本降至接近于零。本文详解配置方法、硬件要求与竞品对比。
阅读全文 →