搜索：多模态理解与生成

「多模态理解与生成」共找到 3413 篇相关文章

简单快速的用 Claude Code 帮你创建 PPT 生成 Skills

Claude Code热度高，其Skills可辅助构建简单Agent。作者以创建Nano Banana PPT生成Skills为例，教大家安装、使用及创建Skills，还提及Skills迭代和局限性等内容。

最新研究提出合成数据全新分类框架，突破‘生成模型=合成数据’传统认知，涵盖多种方法。还按应用层次划分场景，指出合成数据面临模型坍塌等挑战，正成新型基础设施。

阿里昨日开源多模态图像基础模型Qwen-Image，基于20B参数MMDiT架构，在复杂文本渲染和精确图像编辑方面有重大突破，支持多风格图像生成、智能图像编辑等，还介绍了使用、部署等方法。

Github上的`Text-to-lottie`是开源Skill框架，可让Claude Code或Codex当动效设计师，按Lottie规范生成标准`lottie.json`。它有Coding Agent直出Lottie JSON、内置预览播放器等特色，助开发者快速产出合规Lottie资产。

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。

腾讯混元正式开源端到端视频音效生成模型 HunyuanVideo-Foley，适用于多场景。它采用新型框架结合 REPA 策略，有三大核心优势，能适配多种场景，抑制底噪，保证音频保真度。

合肥工业大学、清华大学和智谱开源多主体参考视频生成模型Kaleido。它用全新数据构建法和精巧架构，解决主角与背景混淆难题，实验显示其在多维度表现优异，超越现有开源模型。

评估 Agent 产品能力复杂，以 PPT 生成为例，有 Agent 和模板化两种流派。作者选前者投票测评、后者全方位测试。给出方案，还推荐不同需求适用产品，附总榜单和细致体验描述。

谷歌与北大联手推出学术版PaperBanana，能100%精确生成论文图表，美观度和逻辑清晰度超原版。它由5个智能体分工协作，经实验在各维度超越传统基线方法，已在GitHub获上千star。

本文为非AI开发者科普AIGC、Agent、MCP概念和关系。AIGC用AI生成内容；Agent可自主决策调用工具；MCP是Anthropic开源协议，降低模型与工具集成成本，获大厂支持。