「多模态聊天」共找到 1089 篇相关文章
从大模型到多模态，图文混排Agent彻底起飞~
上周智谱多模态开源周，从GLM 4.6v到Autoglm，其图文并排使用场景很吸睛。上传PDF论文，它能生成图文混排解读文章，效果好。作者逆向原理复刻代码，还分享GLM 4.6V三个有意思的能力。
更会聊天、主打情绪价值，OpenAI 发布 GPT-5.1
今天凌晨，ChatGPT 模型升级为 GPT-5.1，官方主打更智能、更具对话性。它有 GPT-5.1 Instant 和 GPT-5.1 Thinking 两个子模型，本周内逐步向所有用户免费开放。升级重点在模型能力和个性化设置。
前阿里P10毕玄的一张聊天截图竟然火了。
AI Coding发展迅猛，前阿里P10毕玄所在公司决定将技术岗位统一为Agent工程师，不再按技术栈划分。以前按技术栈分工模式合理，但现在程序员需适应变化，不然会被边缘化。
刚开源几周，一键深挖你的聊天数据宝藏！
这两天在Github发现开源工具`ChatLab`，它把聊天记录变“私人数据库”，支持用 SQL 和 AI 挖掘社交数据价值。具有本地隐私保护、解析性能强等特性，安装简单，适合不同用户。
NVIDIA重磅开源！OmniVinci 仅 9B 模型就拿下多模态冠军！
英伟达推出全模态大语言模型 OmniVinci，架构有三大创新。OmniVinci - 9B 模型表现亮眼，多测试中大幅超 Qwen2.5 - Omni，且训练量仅为其六分之一。其架构经多阶段流程实现全模态理解，还支持多种功能。
BLIP3-o统一图像生成与理解，多模态融合趋势显现
BLIP3 - o致力于统一图像理解和生成，提升生成质量与效率。它融合自回归和扩散模型，采用CLIP + Flow Matching架构等。经训练，在图像理解和生成任务表现佳，指令微调效果显著。
BLIP3-o统一图像生成与理解，多模态融合趋势显现
BLIP3 - o致力于统一图像理解和生成、提升生成质量和效率。它融合自回归与扩散模型，采用CLIP + Flow Matching架构等技术亮点。经训练，在图像理解和生成任务表现出色，指令微调效果显著。
港大开源视频版RAG，像聊天一样看完百小时纪录片。
港大HKUDS团队开源超长视频理解框架VideoRAG，突破传统模型时长限制，支持对数百小时视频精准检索和问答。还有桌面应用Vimo，使用简单高效。介绍了其切片索引、混合检索、生成回答的实现逻辑。
紫东太初开源视觉神经增强方法，即插即用终结多模态幻觉 | ACL 2025
中科院自动化所等团队提出VHR方案，通过“视觉神经增强”机制放大模型视觉关键注意力头输出，降低幻觉现象。此前主流方法多作用于最终输出阶段，VHR深入干预内部机制，还介绍了SSL语义引导方法。
从聊天窗口到多 Agent 控制台：一次 AI 编程协作范式的转移
作者分享了从单 Agent 协作到多 Agent 协作的编程范式转变。当前主流 AI 开发多为单 Agent 协作，效率低，作者设计了 Mexus 工具，解决多 Agent 协作、观测、Review 等问题，重塑人与 AI 协作关系。