「多模态长文档视觉问答」共找到 1659 篇相关文章
谷歌放大招了，开源命令行AI编程Agent，每天1000次免费调用，编程只是基础功能。
Google推出开源命令行AI编程Agent——Gemini CLI，基于Gemini 2.5 Pro模型，免费提供每日1000次调用额度。它不仅能编程，还具备多模态能力、实时信息整合等功能，支持定制与自动化。
Qwen2.5VL又多一个娱乐场景，看电影讲故事
文章聚焦Qwen2.5VL新娱乐场景“看图讲故事”。介绍视觉叙事目标、挑战，讲述基于StoryReasoning数据集微调Qwen Storyteller模型的解决思路，含核心技术，还给出实战代码及相关链接。
8.9K Star！号称 Notebook LM 开源平替，支持 16+AI 模型，一键部署！
Google Notebook LM 虽方便，但有数据泄露风险且被平台绑定。开源工具 `open-notebook` 是其平替，支持 16 + 家 AI 模型提供商，可处理多模态内容，能本地部署保障数据安全，还具备多种实用功能。
别再手写 Skill 了！微软最新研究：像神经网络一样训练 Skill
微软研究提出 SkillOpt 方法，把 Skill 文档当「权重」训练，在 52 个测试组合中全部最优或并列最优，平均提升 23.5 分，碾压人类手写。该方法跨模型、环境有效，已开源，使用方便。
Karpathy公开附议：AI Agent 的输出格式，正在从 Markdown 走向 HTML
随着 Agent 处理任务变复杂，Markdown 在长文档中可读性与排版局限凸显。HTML 能无损表达信息、支持双向交互，但生成耗时久、版本控制难。AI 研究者 Karpathy 附议，HTML 成探索方向。
GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘
OpenAI工程师在GitHub仓库意外泄露GPT - 5.4，相关信息流传后被撤回。据传下周上线，其有200万Tokens上下文窗口与持久记忆，支持全分辨率视觉直读，将引发硬件内存之战。
AI应用开发与落地实践：从“能用”到“好用”的惊险一跃
本文深入剖析2025年AI应用开发四大核心范式与实践。涵盖AI Agent爆发、RAG技术深化、垂直AI落地及多模态应用，为开发者提供实战指南，助其将技术转化为成功产品。
Vibe Coding 继续：这次，AI Studio 让你可以“画着改UI”
谷歌在AI Studio中引入注释模式，可乱涂乱画用注释命令修改，能更自然地更改应用，与Gemini进行直观视觉对话，还提到Cursor等IDE中类似功能实现方式。
装了N个skills之后，鹅厂员工觉得“最香”的是哪一个？
文章围绕技能使用展开，介绍鹅厂员工推荐的各类实用技能，如腾讯文档 skill、westock - data、小区避坑神器等，还鼓励读者分享自己的宝藏 skill 或想法，关注有奖励。
DeepSeek之后：中国开源人工智能生态的架构选择
自2025年1月“DeepSeek时刻”，中国开源社区有历史性进展，讨论焦点从模型转向架构与硬件选择。技术架构多元，多模态能力扩展，开源许可宽松，小模型走红，本土硬件采用加快。