智客信息 · 2026-09-13
LlamaIndex 发布开源 AI 与开放模型阅读清单,助力开发者高效学习
LlamaIndex 发布了全新的开源 AI 与开放模型阅读清单,旨在为开发者提供系统化的学习资源。该清单涵盖了 AI 领域的最新研究进展、实用工具和开源模型,聚焦于 RAG(检索增强生成)技术、多模态 AI 应用以及 AI 智能体开发等前…
智客专题 多模态与视频生成专题
文生图 / 文生视频 / 语音克隆 / 多模态理解的模型横评与生产实践,覆盖 Sora / Veo / Kling / Suno 与开源多模态栈。
· 2026年9月15日 #多模态AI#视频生成#图像生成#多模态#语音生成#语音克隆#Sora#Veo#Kling#可灵#Suno · 30 / 638 篇内容
智客信息 · 2026-09-13
LlamaIndex 发布了全新的开源 AI 与开放模型阅读清单,旨在为开发者提供系统化的学习资源。该清单涵盖了 AI 领域的最新研究进展、实用工具和开源模型,聚焦于 RAG(检索增强生成)技术、多模态 AI 应用以及 AI 智能体开发等前…
智客前沿 · 2026-09-13
LlamaIndex 发布了关于 GPT-4V 的实验报告,探讨了特定问题提问和链式思维提示(Chain of Thought, COT)在提升视觉数据分析精度方面的潜力。实验结果表明,与宽泛提问相比,特定问题提问和 COT 能显著提高对图…
智客前沿 · 2026-09-13
LlamaIndex 推出了一款名为 AInimal Go 的多模态 RAG 应用指南,旨在展示如何将深度学习视觉模型(如 ResNet18)与大语言模型(LLM)结合使用。通过使用 LlamaIndex 作为工作流协调层,并结合 Cohe…
智客信息 · 2026-09-13
LLM Hub 推出了一款名为 Vibecoding 的 AI 应用,能够对网站进行编码,并生成图像、视频和音乐。该工具旨在通过 AI 技术简化创意内容生成和网站开发流程,为用户提供一体化的解决方案。Vibecoding 的发布标志着 AI…
智客前沿 · 2026-09-13
LlamaIndex 推出全新版本的 LlamaParse,这是一款领先的 PDF 解析服务,支持超过 81 种语言的 OCR 识别,并大幅提升每日使用上限至 10,000 页。此外,LlamaIndex 还发布了多项 RAG(检索增强生成…
智客前沿 · 2026-09-13
LlamaIndex 与 DeepLearningAI 和 TruEraAI 合作推出了一门关于高级检索增强生成(RAG)及其评估的课程。该课程涵盖句子窗口检索、自动合并检索以及使用 TruLensML 进行评估等内容,旨在为开发者提供实用…
智客前沿 · 2026-09-13
LlamaIndex 宣布与 Google Gemini AI 模型进行深度集成,支持文本和多模态输入输出,并提供语义检索 API 接口。该集成使开发者能够构建基于 Gemini 的多模态 RAG 管道,用于处理文本和图像数据,并支持多种交…
智客前沿 · 2026-09-13
LlamaIndex 推出了一款结合文本与图像的多模态 RAG(检索增强生成)管道指南。该方案利用 GPT-4V 和 CLIP 模型,将视觉与文本信息融合处理,从而生成更精准的 AI 响应。通过 Neo4j 作为数据库,用户可以构建高效的多…
智客前沿 · 2026-09-13
LlamaIndex与Activeloop合作推出了一门免费的高级RAG(检索增强生成)认证课程,旨在帮助AI从业者掌握生产级AI应用技能。该课程包含40多节课程和7个动手项目,涵盖多模态AI应用、法律、医疗、金融等多个领域,并提供Deep…
智客前沿 · 2026-09-13
LlamaIndex近日推出了LlamaParse JSON模式,这是一款用于将PDF内容转化为结构化数据的工具,旨在简化复杂文档(如包含图像、文本和表格的PDF)的处理流程。通过与Claude-3 Opus等多模态模型的集成,该功能显著提…
智客前沿 · 2026-09-13
LlamaIndex发布最新资讯,宣布推出Self-RAG工具包和与FlowiseAI的集成功能,旨在提升LLM训练和RAG工作流的动态能力。此外,资讯还包括与MistralAI合作开发的RAG指南、基于TypeScript的智能体开发工具…
智客前沿 · 2026-09-12
Hugging Face推出Realtime-Venus,这是一款面向数字与物理环境交互的全新全双工系统,包含两个独立的9B参数模型:Realtime-Venus-Omni用于音视频交互,Realtime-Venus-Audio用于语音交互…
智客前沿 · 2026-09-12
LlamaIndex近日推出了LlamaParse JSON模式,这是一款用于将PDF内容转化为结构化数据的工具,旨在简化复杂文档(如包含图像、文本和表格的PDF)的处理流程。通过与Claude-3 Opus等多模态模型的集成,该功能显著提…
智客前沿 · 2026-09-12
LlamaIndex宣布与DeepLearningAI合作推出全新课程《Building Agentic RAG》,旨在教授开发者如何构建能够跨多文档推理并回答复杂问题的研究助手。该课程涵盖从基础功能设置到高级特性集成(如本地和远程LLM、…
智客前沿 · 2026-09-12
LlamaIndex近日推出了LlamaParse JSON模式,这是一款用于将PDF内容转化为结构化数据的工具,旨在简化复杂文档(如包含图像、文本和表格的PDF)的处理流程。该功能通过与Claude-3 Opus等多模态模型的集成,显著提…
智客信息 · 2026-09-12
Sebastian Raschka发布了一份涵盖2026年1月至5月的大语言模型(LLM)研究论文清单,汇总了人工智能领域的前沿研究成果。该清单旨在为研究人员、工程师和AI爱好者提供最新的技术进展和学术资源,推动大语言模型技术的进一步发展。
智客信息 · 2026-09-11
OpenRouter推出了一款针对视频和图像生成优化的AI工具,声称能够将视频生成成本降低80%。该工具支持多模态内容生成,旨在为创意工作者和开发者提供高效、经济的内容创作解决方案。其发布标志着AI在视频和图像生成领域的进一步发展,为用户提…
智客信息 · 2026-09-11
OpenAI最新发布的GPT-6模型展示了其强大的生成能力,仅通过5次提示即可构建一个功能完整的地球探索网站。这一成果不仅展示了GPT-6在多模态任务处理和复杂任务生成方面的突破性进展,还为AI在内容创作、网页开发等领域的应用开辟了新的可能…
智客信息 · 2026-09-11
Clone Voice是一款基于短音频生成语音克隆的AI工具,用户可以通过上传简短音频片段,生成高质量的语音克隆内容。该工具旨在简化语音生成流程,为用户提供便捷的语音克隆解决方案。Clone Voice的发布标志着AI在语音生成领域的进一步…
智客前沿 · 2026-09-11
Apple的研究团队推出了DiscoSign,这是一款面向手语翻译的篇章感知AI模型,旨在解决传统手语处理系统仅关注句子层面而忽略篇章级现象的问题。DiscoSign基于模块化大语言模型(LLM),重点解决三个关键问题:空间共指消解、问答从…
智客前沿 · 2026-09-11
LlamaIndex本周推出了多项重要更新,包括全新工具LlamaResearcher、Agentic Workflows的增强功能以及新一代Layout Agent。LlamaResearcher是一款基于Llama4的深度研究工具,支持…
智客前沿 · 2026-09-10
MaP-WAM是一种创新的记忆规划框架,旨在解决复杂机器人任务中的非马尔可夫问题。该框架通过将记忆依赖的世界-动作建模分解为基于记忆的规划和条件执行,并利用长期多模态情景上下文作为规划依据,显著提升了机器人任务的成功率。实验结果表明,MaP…
智客前沿 · 2026-09-10
Hugging Face推出了一款名为World in World的创新型视频世界模型推理接口。该技术无需额外训练,通过将异构控制证据转换为带有时间与相机标签的视觉状态,并利用冻结因果视频模型的原生自注意力机制,实现了跨视角视频重渲染、长时…
智客前沿 · 2026-09-10
LlamaIndex本周发布了一系列AI工具与框架更新,包括用于文档解析与提取的LlamaParse、基于智能推理的文档分类工具LlamaClassify,以及支持Anthropic最新Claude Sonnet 4.5模型的集成。这些更新…
智客前沿 · 2026-09-10
LlamaIndex宣布其AI平台的重要更新,包括LlamaParse与GPT-5的集成,这一升级显著提升了文档解析的准确性和效率,并增强了表格与视觉识别能力。此外,平台新增了对AstraDB的集成、TypeScript SDK支持以及针对…
智客前沿 · 2026-09-10
LlamaIndex宣布与DeepEval的集成,为开发者提供了一套强大的工具来评估和优化RAG(检索增强生成)应用的性能。通过DeepEval的50多种预定义指标,开发者可以针对相关性、忠实性和上下文精度等维度对LLM模型进行精细化测试,…
智客前沿 · 2026-09-10
LlamaIndex宣布其AI平台的重要更新,包括LlamaParse与GPT-5的集成,这一升级显著提升了文档解析的准确性和效率,并增强了表格与视觉识别能力。此外,平台新增了对AstraDB的集成、TypeScript SDK支持以及针对…
智客前沿 · 2026-09-10
LlamaIndex宣布其AI平台的重要更新,包括LlamaParse与GPT-5的集成,这显著提升了文档解析的准确性和效率,并增强了表格与视觉识别能力。此外,平台还新增了对AstraDB的集成、TypeScript SDK支持以及针对法律…
智客前沿 · 2026-09-10
DeepSeek近日发布了一款名为DeepSeek-OCR的模型,通过视觉压缩技术将文本信息压缩至视觉表示,从而实现高达20倍的压缩率,同时保持97%的解码准确率。该技术为文档解析工具(如LlamaParse)带来了新的可能性,通过减少上下…
智客前沿 · 2026-09-09
Hugging Face推出了ReactHuman,这是首个基于物理驱动的人形智能体反应决策基准,旨在测试多模态大语言模型(MLLMs)在面对突发物理危险时的即时反应能力。ReactHuman包含17个事件类别和超过1000个可复现的场景,…