「多模态视觉作品」共找到 1464 篇相关文章
斩获20K星！再见PDF排版噩梦，这个开源神器让文档处理爽到飞起！
MinerU是上海人工智能实验室推出的开源数据提取工具，能将多模态文档解析为Markdown，支持精准提取图片、表格、公式，具有多语言支持、高性能等特点，应用场景广泛，还开源免费。
面向 AI Agents 的高性能数据基座：架构和工程实践
在 QCon 全球软件开发大会上，晨章数据创始人陈亮分享了面向 AI Agents 的高性能数据基座。他指出 AI Agent 驱动的应用带来数据挑战，提出多模态数据基座设计目标，并介绍工程实践，证明传统架构有 CPU 瓶颈。
我用MiniMax Agent开发了个带后端的全栈网站，全程0代码
2025年Agent成AI领域焦点，大厂纷纷布局。作者测试MiniMax Agent，发现其有四大特点：深度研究和上下文管理强，多模态输出出色，编程能力超预期，能执行定时任务，还能开发带后端的全栈网站。
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026
多轮视觉问答成LVLM推理效率“照妖镜”，现有压缩方法在多轮场景翻车。浙大宋明黎教授团队与阿里联合提出MetaCompress框架，可根据图像生成最优压缩映射，实验验证其效果优，能平衡压缩率与精度。
Legora、Mercor 都在用，Reducto 能成为独立的 LLM 数据入口吗？
当前企业AI落地瓶颈在数据质量，Reducto聚焦数据准确性，以文档解析API提供Agentic OCR能力。它获多轮融资，估值达6亿美元，但面临多模态模型竞争及定价等问题，其未来走向待察。
Sora没做到的，LongVie框架给解决了，超长视频生成SOTA
视频生成近年进步大，但生成超1分钟高质量长视频仍难。上海人工智能实验室等机构提出LongVie框架，解决时序不一致和视觉退化问题，还推出评测基准LongVGenBench，该框架在多项指标达SOTA。
410份Demo，00后把AI应用推进了"深水区"
魔搭社区与Datawhale携手，11所高校、5600+开发者参与AI应用实验。410份初赛Demo中224支战队入围复赛。作品呈现从通用助手到深水区工具等趋势，还有陪跑环节助力从Demo到真产品。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。