搜索：多智能体模式

「多智能体模式」共找到 7040 篇相关文章

视觉感知RAG × 多模态推理 × 强化学习 = VRAG-RL

数字化时代视觉信息愈发重要，传统RAG方法处理视觉信息面临挑战。阿里巴巴通义实验室的VRAG - RL将强化学习引入多模态智能体训练，革新检索生成范式，提升视觉语言模型多方面能力，代码已开源。

Dedoc是开放通用系统，能将文档转换为统一格式，提取逻辑结构和内容。用Python实现，支持多种格式，有可扩展性等优势，还能处理扫描文档，可用于多个系统，介绍了安装方法。

本文介绍华人团队创办的AI PPT企业Gamma，它获5000万用户，ARR破5000万美金且连续盈利15个月。其精准踩中AI节点，运用PLG模式打败Tome，从AI PPT升级为创意创作平台。

清华教授、智谱唐杰在𝕏征集GLM下个版本意见，浏览量达40w+。此前他有求必应，网友热情参与。这次评论区多要视觉能力，因GLM-5.2是纯文本模型，而对手多为多模态。

现有多模态大模型难以理解音乐时间线。复旦大学与字节跳动团队提出 GaMMA，采用双编码器融合网络，经三阶段训练，还推出 MusicBench 评测基准。实验显示，GaMMA 在多基准上表现优异，刷新 SOTA。

5月13日AI圈有两件大事，何恺明团队发布语言模型ELF，面壁智能开源MiniCPM-V 4.6。二者显示AI正从‘堆算力’转向‘省算力’，拉开AI轻量化浪潮序幕，未来小模型或成关注方向。

作者分享开源的AI短剧生成工具，它能根据剧本完成智能分镜、生成视频片段等一条龙服务，采用全局种子+风格继承改善人物和场景一致性，有分镜编辑器可手动调控，适合多种人群。

阿里开源的前端增强项目 PageAgent 火了，在 GitHub 获 8k+ star。它是纯前端 JavaScript GUI 智能体框架，可让网页拥有 AI Agent，通过自然语言控制界面，有自动填表单等功能，使用简单。

字节跳动开源视频生成模型Alive，12B参数，支持四种模式，硬件门槛低。在评测中表现出色，技术架构精心设计，解决音视频同步等问题，虽有小瑕疵，但更适合普通玩家。

Bun 发布 1.3 版本，是迄今最大更新，实现全栈开发，推出统一数据库 API 并提升性能。引入零配置前端开发模式，有内置 Redis 客户端，社区反响不一，还扩展包管理功能，性能提升显著。