与「多模态Agent」相关的搜索结果
多模态Agent 贴吧
一个关键词就是一个贴吧，路径全站唯一。
用户
未找到
包含 多模态Agent 的内容
🎁 免费福利再加码！小米 MiMo-V2.5 现已开启全量免费！
作为小米开源的原生全模态旗舰模型，MiMo-V2.5 采用 310B 稀疏 MoE 架构，支持文本、图像、视频与音频全模态输入，具备 1M 超长上下文与极速响应能力，专为多模态 Agent、音视频分析及通用编程等实战场景打造。
现已在 API 官方组开启全量免费调用，0 成本即可解锁小米前沿全模态大模型的硬核实力！
👉 立即免费体验：
显示更多
📢 小米 MiMo 系列模型现已登陆 API！
🔸 MiMo-V2.5：310B 稀疏 MoE 原生全模态模型，支持图文音视频全模态输入与 1M 上下文，专为多模态 Agent 与通用编程打造。
🔸 MiMo-V2.5-Pro：1.02T 稀疏 MoE 旗舰文本模型，专攻复杂推理与长周期软件工程，SWE-Bench Verified 达 78.9。
现已开放两款模型的 API 调用，提供官方组接入和 自选服务商 4 折 优惠。
立即接入体验：
显示更多
简直成精了，AI 能直接操作电脑了，一句指令就能订票订酒店规划路线，没人啥事了……😮
以前AI只能聊天写代码，现在直接能像人一样看屏幕、点鼠标、敲键盘，帮你完成各种电脑操作……这时代真是变了！😱
字节跳动开源了 UI-TARS-desktop（GitHub已 36.9k Star），一个真正的多模态AI电脑操控工具，只需用自然语言下指令，它就能自动截图识别界面，然后精准控制鼠标和键盘执行任务了。👍
你看，如下视频其实就一句指令： 我 9 月 1 日到 9 月 6 日在洛杉矶，预算 5000 美元。请帮我在 上预订离机场最近的丽思卡尔顿酒店，并为我编制一份交通指南！
核心优势：
- 支持本地和远程电脑/浏览器/手机控制
- 远程操控无需任何配置，点一下就能用
- 完全本地处理，隐私安全有保障
- 跨平台支持（Windows、macOS、浏览器）
- 开源免费
使用方法：
1. 下载安装桌面客户端
2. 启动后输入自然语言指令
3. AI自动完成操作并反馈结果
一句话：AI 终于从"语言助手"跨越到"行动 Agent"，从陪人聊天走向替人干活，和人操作电脑一毛一样！😄
🔗 GitHub地址：
对AI Agent、自动化办公、效率工具感兴趣的同学，这个项目值得重点关注！
～
#UITARS# #AI操控电脑# #字节开源# #多模态Agent# #开源工具# #工具分享#
显示更多
冷知识：
目前多模态大模型创业的具体落地方向通常有如下方向，如果都不是你感兴趣的话，还是别赶时髦，乖乖回去学AI coding吧 ：
1. 游戏 AI NPC / 智能体中间件（如端云协同的 OmniNPC，赋能 3D 角色交互与情感叙事）
2. 企业级多模态 Agent（如面向复杂文档、视觉流分析、跨系统 RPA 的智能体）
3. 多模态内容生成与创意工具（如 AI 视频、短剧生成、电商营销图视频设计）
4. 具身智能与机器人控制（如基于多模态物理感知与动作生成的端到端控制系统）
5. 视觉/多模态代码与设计助手（如 UI 截图一键生成高质量代码、交互式产品设计）
显示更多
究极"拼好模"出现了! 字节跳动 Lance!
字节跳动刚发布了一个开源模型 Lance, 激活参数量只有 3B. 但是这个模型可以接受文本, 图片, 视频输入, 然后同时可以输出文本, 图片, 视频!
所以这一个模型就能完成像图片理解, 视频理解, 文生图, 图生图, 图片编辑, 文生视频, 图生视频, 视频编辑等任务.
而训练团队在技术报告中透露, 训练成本仅仅是 128 涨 A100 显卡 (按照大厂算力来说纯纯是把冗余算力拿来用了).
那为啥说是"拼好模"呢? 原因是团队并没有完全从0造轮子. 模型的视觉输入模块直接用了 Qwen2.5-VL-ViT (用来看图和视频), 而视觉输出模块是 Wan2.2_VAE (用来画画). 而模型本体是两个:
Lance_3B (用来做图片的理解、生成或编辑任务)
Lance_3B_Video (用来做视频相关的任务, 比如文生视频、图生视频)
所以, 这完全是一个研究性项目了, 而项目本身的亮点其实恰好是"拼得好". 这个模型不像之前许多自称为全能模型那样直接把大语言模型 (LLM) 和扩散模型 (Diffusion) 硬拼接在一起 (即所谓的 Pipeline 方案) .
而是在一个共享的交错序列 (Interleaved sequence) 中同时处理文本、图像和视频的上下文. 这样做最大的好处是统一了语义空间, 让模型的理解能力和性能更好. (从评测来看3B就接近了许多10B甚至20B模型的水平)
另外还引入了多任务协同. 简单来讲, 理解任务 (图片转向量) 和生成任务 (向量转图片) 在模型内部本身是互斥的. Lance 创新性地在同一个框架内加入了专用专家模块, 成功缓解了这种冲突, 让模型既能做 VQA (视觉问答) , 又能做图像/视频生成和编辑.
期待一波实际应用落地, 这个模型对于端侧和多模态 Agent 来讲意义是重大的, 有很多之前需要多个模型协作的场景都能用单个模型做了.
#lance# #全模态模型#
显示更多
现在的 Coding LLM，很擅长处理代码、日志、文档、终端输出，但它们理解的是被描述的世界，而不是真实运行后的世界。
开发时就会遇到一种情况，代码逻辑完全正确，然后页面问题一堆，例如字体发虚、间距不协调、响应式布局失效，或者小程序、WebView、浏览器之间表现不一致。
这些问题，人一眼就能察觉，但纯语言模型就是不行。这也是当前做软件开发最让人头疼的地方，调细节调到手软，🐶
很多 Agent 会接入 Playwright/Puppeteer/截图分析/OCR/DOM Tree 等能力，相当于在给 LLM 增加了视觉输入，但就算是拿到了截图，它也很难还原真实画面，因为它依然是通过本文的方式来理解这个世界的。
产品体验里有大量东西，包括视觉认知、空间感知、交互节奏、动态反馈等，都存在于人的直觉里，滚动、动画、拖拽、手势、页面切换、焦点变化、微交互，这些都不是单张截图能够理解的。
最近也看到了一些变化的趋势，多模态 Coding Agent 已经在路上了。
下一代 Agent 会越来越像一个真正的软件工程师，它会自己运行页面，观察界面变化，理解视觉问题，修改代码，再重新运行，再继续观察。
当前主要还在靠 Harnees 工程手段来弥补这一块。
显示更多
大厂的AI商战真是朴实无华，就是猛猛砸钱找专家，猛猛做数据标注。。。字节的Xpert，10月份有一个人领了18万。。。
AI时代，只要你有任何特长，只靠贡献自己的知识和努力，也能活得很滋润：
⓵专业问答与评测
-专业领域问答（医疗、法律、金融、STEM等）
-模型回复打分与对比评测
-Benchmark出题与标准答案设计
⓶聊天 / 对话相关
-多轮对话评估：对模型在聊天中的回复打分、排序、指出问题（准确性、自然度、逻辑、人设一致性等）
-对话生成 / 改写：写或优化多轮对话数据，用于训练聊天机器人
-偏好排序（RLHF）：同一问题给出多个回复，选出更好的那个并写理由
-角色扮演 / 人设对话：按指定角色（医生、律师、客服、特定性格等）进行对话评测或数据生产
-对话纠错：找出聊天回复中的事实错误、逻辑漏洞、不当内容
⓷内容生产类
-高质量专业内容撰写（案例库、知识库、语料）
-复杂指令设计（多约束、高难度Prompt）
-参考答案撰写
-专业内容改写与优化
⓸代码 / 技术类
-代码生成评估
-Agentic Coding / 长程任务评测
-Bug查找与代码审查
-编程题出题与判题标准制定
⓹语音 / 多模态类
-方言语音采集与标注
-语音转写质检
-视频/3D/动捕数据相关
-多模态内容评估
⓺审核与质检类
-模型输出合规性审核（医疗、法律、金融强合规场景）
-知识准确性审核
-已有标注数据的二次质检
⓻其他
-访谈类任务
-数据采集（按脚本录制真实场景）
-创意内容评估（影视、文学、设计美学等）
上面这些任务，简单到只要愿意花时间聊天，时薪也在三位数。更专业一些的比如生物、法律、金融、制造，就更加赚钱了。
可以参与的平台：
1、腾讯旗下的ExpertHub：
2、字节旗下的Xpert：
3、阿里的晓天睿士：
显示更多
基于 Code Video 的下一代全栈视频工作台即将发布！普通人都能一键复刻世界级品牌的产品宣传片！💥
整合了最近 Opus 5.5 和 Fable 5.2 做Motion动效视频所有最佳实践🔥并进行产品化
支持Codex/CC/DSH等20+ Agent ，BYOK多模态模型，200+ 世界顶级品牌的动效视频规范...
大家希望开源吗👇
显示更多
本地无审查大模型的地下军火库今天彻底齐活了
从 8GB 入门卡到 24GB 满血工作站，Hugging Face 三大破甲顶流（Huihui、HauhauCS、DavidAU）把 Qwen 家族最凶残的 5 款无甲神作全放出来了。不仅切掉了烦人的道德说教锁，还完整保留了多模态视觉（Vision）与 MTP 多 Token 极速预测。
直接按你手头的显卡显存对号入座抄作业：
01 全能六边形战神：Huihui Qwen3.8 27B Abliterated 目前本地综合实力最强的破甲王牌之一，逻辑智商在线，原生保留视觉识图能力。
· 16GB 显存：直接冲 UD-IQ4_XS 或 IQ4（约占 14.4GB，黄金甜点档）
· 24GB 显存：直接上 Q4_K_M 或 Q5 满血稳跑
· 极简启动：ollama run huihui_ai/Qwen3.8-abliterated仓库地址：
02 暴力狂暴破甲：HauhauCS Qwen3.8 27B Uncensored Aggressive 如果你嫌常规消融不够狠，这款走的是极其激进的深度破甲路线，几乎零拒答，同样带 MTP 加速与多模态视觉。
· 16GB 显存：选 IQ4_XS（约占 15.7GB，刚好卡满显存极限）
· 24GB 显存：直接上 Q4 / Q5 仓库地址：
03 极速 MoE 闪电炮：Huihui Qwen3.6 35B-A3B Abliterated MTP 35B 的大身板，但底层是 MoE 混合专家架构，每次推理仅激活约 3B 参数，吐字速度快到飞起，支持视觉。
· 12–16GB 显存：跑 IQ3 / IQ4 配合专家卸载（建议系统内存 32GB+ 兜底）
· 24GB 显存：直接全塞进显存跑 Q4，丝滑起飞 仓库地址：
04 激进破甲 + 极速吞吐：HauhauCS Qwen3.6 35B-A3B Aggressive 把 HauhauCS 最凶狠的激进去审查手法塞进了 35B-A3B 的 MoE 架构里，既要完全听话不拒答，又要极致生成速度的兄弟选它。
· 16GB 显存：IQ3 / IQ4 + 专家卸载
· 24GB 显存：Q4_K_M（约 21GB）完美吃满单卡上限 仓库地址：
05 8G 显存小钢炮：Qwen3.5 9B Defiant / Heretic 系列 DavidAU 操刀的 NEO-IMATRIX 极限调校版，搭载 Heretic 消融算法与 MTP，小体积榨出恐怖表现，轻量本首选。
· 8GB 显存：毫无压力轻松秒开
· 12–16GB 显存：显存极其宽裕，剩下的空间直接把上下文长度拉爆 仓库地址：
省流选型指南：
· 追求极致智商与多模态全能：无脑冲 01 或 02（27B Dense）
· 追求秒级吐字速度与高吞吐：选 03 或 04（35B MoE） · 8G 显卡或轻薄本长文本：直接锁死 05（9B Heretic）
本地跑大模型最爽的就是彻底摆脱云端审核与封号焦虑，搞红队测试、角色扮演和私有 Agent 的兄弟建议先把这份军火库马住备用。
你现在主力机的显卡显存是多少 G？平时更喜欢跑满血 Dense 模型还是飞快的 MoE 架构？
#AI# #大模型# #Qwen# #开源# #Ollama# #本地部署#
显示更多
