Tag

多模态AI

当前标签下共有 3 篇内容。

Google 推出 Gemini Agentic Video：视频理解最高降 88% Token，成本降 66%

Google 推出 Gemini Agentic Video：视频理解最高降 88% Token，成本降 66%

Google 推出 Gemini Agentic Video Understanding，让模型按任务主动搜索和重看视频片段。官方称其最高可减少 88% Token、降低 66% 成本，并提升最多 7% 准确率，现已向 Gemini API 开放。

阿里云 Wan 3.0 视频生成模型开放体验：面向 Agent 的多模态视频创作能力

阿里云 Wan 3.0 视频生成模型开放体验：面向 Agent 的多模态视频创作能力

阿里云 Wan 3.0 面向 AI 视频创作和 Agent 场景开放体验，支持多模态参考输入、最长 30 秒视频生成及 720P、1080P 输出。本文整理其核心能力、使用方式、适用场景和公开计费信息。

PixelRAG：让 AI 直接理解网页截图的开源视觉 RAG 框架

PixelRAG：让 AI 直接理解网页截图的开源视觉 RAG 框架

PixelRAG 是一个开源视觉 RAG 项目，它突破传统网页文本解析方式，让 AI 通过截图理解网页结构、表格和视觉信息。该项目探索了多模态模型时代知识检索的新方向，为智能搜索和 AI Agent 提供新的技术思路。