「多模态内容」共找到 1707 篇相关文章
别再用提示词去 AI 味了，方向就是错的
当下“去AI味”需求大，但用提示词去AI味是错的。原因有产出内容同质化、提示词一次性、未告知AI具体风格。作者提出写作风格Skill方案，介绍了制作步骤、模板及与其他技能的组合。
PixelRefer ：让AI从“看大图”走向“看懂每个对象”
多模态大模型多停留在整体场景级理解，现实任务需细粒度、对象级理解。浙江大学等联合提出PixelRefer框架，可实现精细视觉指代与推理，在多项任务表现领先，轻量版性能优，还开源两类数据集。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
盘点丨那些 AI 公司悄咪咪上线的产品（十五）
本期盘点快手、字节、百度新上线的 AI 产品。快手的 Poify 是电商场景 AI 图像编辑产品；字节的 Pippit 是全链路内容制作平台，功能成熟丰富，拿下 ProductHunt 4 月月榜第一；百度的月匣是 AI 虚拟陪伴产品。
一款好的 AI Native 硬件，硬件只是脚手架，真正壁垒一定是 Agent
奇朵团队创始人黄勇认为，做AI原生儿童硬件，应先定义场景或内容驱动的Agent，再为其打造硬件。他们推出面向6 - 12岁国内儿童、3 - 8岁海外儿童的相机与闪卡形态产品，通过与IP合作搭建可信任知识底座。
AI 视频生成的未来在中国
当地时间3月24日，OpenAI宣布关闭视频生成应用Sora，这是其冲刺IPO前的战略调整。Sora曾是AI视频生成领域明星产品，性能卓越，但因内容生态缺失、商业变现难而关停。中国AI视频生成赛道崛起，应用场景丰富，形成生态壁垒。
百度Qianfan-VL开源，纯国产自研昆仑芯跑出世界一流
百度开源全新视觉理解模型Qianfan-VL，有3B、8B和70B三个版本，在昆仑芯P800芯片上训练。该模型多模态能力强，OCR和教育场景表现突出，跑分超国际主流模型。芯片功耗低、架构优，模型训练方法创新。
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
从 AI 创业角度看 GEO：如何引流、效果评估，以及创业机会在哪里？
文章从AI创业角度剖析GEO，介绍其原理、内容优化策略、实操建议、效果评估搭建、代表产品等，指出GEO与SEO不同，虽有争议但值得做，还探讨了相比SEO的更多想象空间。