「多模态提示」共找到 1371 篇相关文章
GPT-image-2十大最强玩法实操：夯到爆炸
OpenAI全量上线GPT Image 2，其表现远超其他模型。它优势明显，如真实感与细节强、文本渲染准确、自带“思考”能力。文章还给出其十大玩法实操及提示词，涵盖图文组合、海报生成等。
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
错过它＝落伍！只用一张照片+14秒，腾讯开源 HunyuanVideo-Avatar 带你玩转多角色数字人
HunyuanVideo-Avatar 是腾讯混元团队最新开放的多模态数字人生成模型。上传一张人物图片，再配上一段音频，模型即可在约 14 秒内输出分辨率最高 720p、情绪可控、动作丰富且支持多角色同屏的短视频。
1篇长文 = N张小红书爆款图？！Gemini 2.5 Pro 这效率，我跪了！
作者作为小红书小号主，苦于长文转图难，用Gemini 2.5 Pro Preview 05 - 06实现了一键转换。文章分享提示词结构、使用方法、修改方式，还介绍用AI调风格，指出系统有生成不稳定和下载问题。
8B硬刚72B！MiniCPM-V 4.5技术报告正式出炉
行业首个具备“高刷”视频理解能力的多模态模型MiniCPM-V 4.5技术报告发布，提出三项关键技术，使模型在多任务达同级SOTA，8B参数规模超72B模型，推理快，开源后获社区好评。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
FairyGen：AI 把孩子的画“动”起来，个性化教育和动画创作
FairyGen 能将孩子画作变成卡通短片，通过多模态大语言模型构思分镜脚本，采用分层建模处理前景人物动作与背景动态。其生成流程分四阶段，但也存在前景角色重建不准、背景生成不稳定等问题。
OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了
OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。
Claude Fable 5解禁，Sonnet 5发布，但各种骚操作封禁中国用户
6月30日深夜到7月1日凌晨，Anthropic宣布Claude Fable 5出口管制解除，7月2日恢复访问，还发布Sonnet 5。但此前安全研究者发现Claude Code在系统提示词里给中国时区和代理域名请求打暗号，Anthropic还收紧对中国账号封锁。
让大模型“边看边改”，视觉分割准确率直接上涨9% | ICML 2026
复旦、创智联合推出RSAgent，让多模态大模型通过多轮工具调用生成准确掩码，解决视觉分割难题。该工作入选ICML 2026，实验显示其在多个测试集上表现领先，还展示了从‘看图问答’到‘视觉行动’的路径。