#多模态
豆包工作 5 个实用玩法：Skills 生态、云电脑、多 Agent 深搜与多模态处理
豆包工作已经上线一段时间，今天盘点 5 个比较实用的玩法。
01 Skills
doubao-app-builder：帮你生成和编辑可运行、可预览、可交付的网页应用。
doubao-visualization：负责数据与关系可视化，支持通…
豆包工作无限画布，内置即梦能力的AI多模态创作工具
Agent 的交互界面不仅是对话框，而是一个"5 件套"：对话框、浏览器、文档、终端和无限画布。其中"无限画布"用于承载所有基于多媒体/多模态内容，没有方向、没有边界，让 Agent 和人一起不受约束地进行多媒体创作。
今天的主角是「豆包工…
谷歌开源 EmbeddingGemma 2：全模态嵌入模型，手机断网也能搜照片和视频
你手机相册里那几千张说好回头再看的照片，这回真有救了。谷歌开源了一个名为 EmbeddingGemma 2 的全模态嵌入模型。照片、截图、视频、录音，你打几个字描述一下，它就能在手机或电脑本地帮你翻出来，全程不用联网。只搜索文字的话，在手机…
Jev Visual 开源：1G 内存、7ms 响应的多模态决策模型，5 天斩获 6.2K Star
开源仅 5 天就斩获 6.2K Star，一个低成本、低延迟、高并发的决策模型正在席卷开发者社区。Jev 由前 OpenAI 员工 Diogo Almeida 的创业公司 TypeSafe 推出，它将模型输出从冗长的 token 生成简化为…
Jev Visual：前 OpenAI 员工开源决策模型的视觉版，Mac 本地运行多模态判断
这两天最火的话题非 Jev 莫属——参与构建了 RLHF/ChatGPT 的前 OpenAI 员工 Diogo Almeida 的创业公司 TypeSafe 推出了一个决策模型。Jev 是一个低成本、低延迟、高并发的…
HD-V1 视频模型实测：先理解再生成，音画同步与物理规律全面突破
2023 年 9 月写过《两款炸裂 AI 视频神器：Runway & Pika Labs》，之后两年视频模型狂飙突进——可灵、Veo、Seedance、海螺……每家 demo 都好…
多模态 Agent 架构综述：三代感知融合、四域基准与七个开放问题
这篇被 TMLR 接收的 60 页综述，由马里兰大学牵头、联合 KAUST 与牛津大学等十家机构的 16 位作者完成。
它做的事可以概括成一句话：把多模态沿着智能体的每个功能模块系统捋一遍，看它究竟改变了什么，以及为此付出了什么代价。
决定…
微信AI硬核技术开源：WeMM-Embedding 多模态搜索实测
最近几个月微信陆续灰度了很多 AI 功能，现在的微信已经不只是聊天工具，而是搜索 + AI + 聊天三位一体，初步具备了 Agent 的影子。微信 AI 的核心能力之一是对文本、图像、视频做了 RAG 处理，官方也开源了 WeMM-Embe…
不用视频模型也能加字幕：Doubao-Seed-Evolving + ffmpeg 实测教程
分享一个多模态模型的"邪修玩法"：不用视频模型，也可以给视频加上炫酷字幕。
字幕效果完全不需要 MiniMax H3 或者 Seedance 系列模型，只需要一个多模态模型（如 doubao-seed-evolving）和 Agent 工具…
豆包coding再升级：doubao-seed-evolving 无限流模式实测
豆包 seed 模型最近推出了一套激进的无限流模式——doubao-seed-evolving，始终使用同一个模型 ID，后台静默更新、自动替换，用户永远拿到的是最新版本。大约每两周更新一次。
对用户来说这是利好&…