https://terms-en.ai-term-hub.com/zh/tags/multimodal/Recent content in Multimodal on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000https://terms-en.ai-term-hub.com/zh/terms/unified_model/Sat, 18 Jul 2026 11:37:26 +0000https://terms-en.ai-term-hub.com/zh/terms/unified_model/<h2 id="definition">Definition</h2> <p>统一模型是指能够执行各种不同任务（如文本生成、图像识别和代码合成）的人工智能系统，而无需依赖单独的专业模型。</p> <h3 id="summary">Summary</h3> <p>旨在单个框架内处理多项任务或多模态数据的AI架构。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>任务无关性</li> <li>架构效率</li> <li>互操作性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>构建多功能AI助手</li> <li>降低基础设施成本</li> <li>简化开发流水线</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multimodal-ai-%E5%A4%9A%E6%A8%A1%E6%80%81ai/">Multimodal AI (多模态AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/foundation-models-%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/">Foundation Models (基础模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/modular-ai-%E6%A8%A1%E5%9D%97%E5%8C%96ai/">Modular AI (模块化AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/general-purpose-ai-%E9%80%9A%E7%94%A8%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">General Purpose AI (通用人工智能)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/text_to_video/Sat, 18 Jul 2026 11:36:20 +0000https://terms-en.ai-term-hub.com/zh/terms/text_to_video/<h2 id="definition">Definition</h2> <p>文生视频指的是基于自然语言输入创建动态视觉内容的生成式 AI 模型。这些系统分析文本提示中的语义含义，以合成连贯的视频序列。</p> <h3 id="summary">Summary</h3> <p>文生视频是一项通过文本描述或提示生成视频片段的 AI 能力。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>生成对抗网络</li> <li>时间一致性</li> <li>扩散模型</li> <li>语义理解</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>社交媒体内容创作</li> <li>电影场景原型设计</li> <li>教育可视化</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/image_generation-%E5%9B%BE%E5%83%8F%E7%94%9F%E6%88%90/">image_generation (图像生成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generative_ai-%E7%94%9F%E6%88%90%E5%BC%8F-ai/">generative_ai (生成式 AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/video_editing-%E8%A7%86%E9%A2%91%E7%BC%96%E8%BE%91/">video_editing (视频编辑)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/text_to_image/Sat, 18 Jul 2026 11:36:07 +0000https://terms-en.ai-term-hub.com/zh/terms/text_to_image/<h2 id="definition">Definition</h2> <p>文生图指的是将生成式人工智能应用于根据自然语言描述合成逼真照片或艺术图像的技术。这些系统通常采用扩散模型（Diffusion Models），通过迭代去噪过程，将随机噪声转化为符合文本描述的精细图像，极大地丰富了创意表达的方式。</p> <h3 id="summary">Summary</h3> <p>一种生成式AI技术，利用Stable Diffusion或DALL-E等模型，从描述性文本提示中创建视觉图像。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>扩散模型</li> <li>潜在空间</li> <li>提示条件化</li> <li>图像合成</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>数字艺术与插画</li> <li>营销材料创作</li> <li>游戏和电影的概念设计</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/stable_diffusion-stable-diffusion%E6%A8%A1%E5%9E%8B/">stable_diffusion (Stable Diffusion模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dalle-dall-e%E6%A8%A1%E5%9E%8B/">dalle (DALL-E模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generative_art-%E7%94%9F%E6%88%90%E5%BC%8F%E8%89%BA%E6%9C%AF/">generative_art (生成式艺术)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/diffusion_process-%E6%89%A9%E6%95%A3%E8%BF%87%E7%A8%8B/">diffusion_process (扩散过程)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/moshi/Sat, 18 Jul 2026 11:26:37 +0000https://terms-en.ai-term-hub.com/zh/terms/moshi/<h2 id="definition">Definition</h2> <p>Moshi 是由 Kyutai 创建的高级 AI 模型，它将语音和文本处理整合到一个统一的框架中。与传统系统在处理后转换语音为文本的系统不同，Moshi 学习联合表示。</p> <h3 id="summary">Summary</h3> <p>由 Kyutai 开发的语音语言模型，共同学习文本和音频表示，以实现无缝的多模态交互。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>语音-文本联合建模</li> <li>韵律保留</li> <li>实时交互</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>构建自然语音助手</li> <li>增强带有情感语调的互动式故事讲述</li> <li>改善听障用户的辅助工具</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/kyutai-kyutai-%E5%85%AC%E5%8F%B8/">Kyutai (Kyutai 公司)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81-ai-multimodal-ai/">多模态 AI (Multimodal AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%AF%AD%E9%9F%B3%E8%AF%86%E5%88%AB-speech-recognition/">语音识别 (Speech Recognition)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%AF%B9%E8%AF%9D%E5%BC%8F-ai-conversational-ai/">对话式 AI (Conversational AI)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/ltx_video/Sat, 18 Jul 2026 11:24:46 +0000https://terms-en.ai-term-hub.com/zh/terms/ltx_video/<h2 id="definition">Definition</h2> <p>Ltx Video 代表了视频生成式 AI 的进步，利用潜在空间扩散过程创建连贯的运动和视觉细节。它解决了视频生成中常见的闪烁和不一致问题，确保生成的视频在时间维度上保持平滑和逻辑连贯。</p> <h3 id="summary">Summary</h3> <p>一种专门优化的潜在扩散模型，用于从文本或图像提示生成高保真、时间一致的视频内容。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>潜在扩散</li> <li>时间一致性</li> <li>视频生成</li> <li>合成媒体</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>制作宣传视频内容</li> <li>为电影生成背景视觉效果</li> <li>动画概念原型设计</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/stable-video-diffusion-%E7%A8%B3%E5%AE%9A%E8%A7%86%E9%A2%91%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B/">Stable Video Diffusion (稳定视频扩散模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/runway-gen-2-runway-gen-2-%E8%A7%86%E9%A2%91%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B/">Runway Gen-2 (Runway Gen-2 视频生成模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/sora-sora-%E8%A7%86%E9%A2%91%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B/">Sora (Sora 视频生成模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/diffusion-models-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B/">Diffusion Models (扩散模型)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/image_text_to_text/Sat, 18 Jul 2026 11:21:59 +0000https://terms-en.ai-term-hub.com/zh/terms/image_text_to_text/<h2 id="definition">Definition</h2> <p>图像文本到文本（Image Text To Text）指的是处理视觉输入并结合文本查询以产生连贯自然语言输出的模型。这些系统通常被称为视觉-语言模型（Vision-Language Models, VLMs），它们结合了计算机视觉和自然语言处理技术，使机器能够理解图像内容并据此生成相应的文字描述或直接回答相关问题。</p> <h3 id="summary">Summary</h3> <p>一种多模态AI能力，能够根据输入图像和可选的文本提示生成文本描述或回答问题。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>视觉问答</li> <li>图像描述生成</li> <li>跨模态注意力机制</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>用于无障碍访问的自动化图像描述生成</li> <li>视觉问答系统</li> <li>内容审核分析</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/vision-language-model-%E8%A7%86%E8%A7%89-%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">Vision-Language Model (视觉-语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/optical-character-recognition-%E5%85%89%E5%AD%A6%E5%AD%97%E7%AC%A6%E8%AF%86%E5%88%AB/">Optical Character Recognition (光学字符识别)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multimodal-fusion-%E5%A4%9A%E6%A8%A1%E6%80%81%E8%9E%8D%E5%90%88/">Multimodal Fusion (多模态融合)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/natural-language-processing-%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86/">Natural Language Processing (自然语言处理)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/genie/Sat, 18 Jul 2026 11:18:55 +0000https://terms-en.ai-term-hub.com/zh/terms/genie/<h2 id="definition">Definition</h2> <p>Genie指的是一类专为视频合成设计的生成模型家族。由包括Google DeepMind研究人员在内的团队开发，这些模型旨在根据给定的输入（如文本描述或起始图像）生成连贯的视频序列。它们通常利用世界模型的概念，通过预测下一帧来模拟物理世界的动态变化。</p> <h3 id="summary">Summary</h3> <p>一类特定的视频生成模型，以谷歌的Genie为代表，可根据文本或视觉输入预测视频的未来帧。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>视频合成</li> <li>时间一致性</li> <li>帧预测</li> <li>多模态输入</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>动画内容创作</li> <li>机器人仿真环境</li> <li>视觉特效预可视化</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/sora-sora/">Sora (Sora)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%A7%86%E9%A2%91%E6%89%A9%E6%95%A3-video-diffusion/">视频扩散 (Video Diffusion)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%97%B6%E5%BA%8F%E5%BB%BA%E6%A8%A1-temporal-modeling/">时序建模 (Temporal Modeling)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81ai-multimodal-ai/">多模态AI (Multimodal AI)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/diffusersqwenimagepipeline/Sat, 18 Jul 2026 11:15:08 +0000https://terms-en.ai-term-hub.com/zh/terms/diffusersqwenimagepipeline/<h2 id="definition">Definition</h2> <p>该管道调整了 Qwen-VL 模型的生成能力以用于图像合成。它允许用户通过提供文本提示或将文本与参考图像结合来生成高质量图像……</p> <h3 id="summary">Summary</h3> <p>在 Diffusers 中利用 Qwen-VL 模型直接从文本描述或多模态输入生成图像的管道。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>文生图生成</li> <li>多模态合成</li> <li>Qwen 架构</li> <li>提示词对齐</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>根据详细的文本描述生成艺术插图</li> <li>基于叙事提示创建概念艺术</li> <li>通过多模态输入可视化抽象概念</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/text-to-image-%E6%96%87%E7%94%9F%E5%9B%BE/">Text-to-Image (文生图)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/generative-ai-%E7%94%9F%E6%88%90%E5%BC%8F%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">Generative AI (生成式人工智能)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/qwen-vl-%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE%E8%A7%86%E8%A7%89%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">Qwen-VL (通义千问视觉语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt-engineering-%E6%8F%90%E7%A4%BA%E8%AF%8D%E5%B7%A5%E7%A8%8B/">Prompt Engineering (提示词工程)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/deepseek_vl_v2/Sat, 18 Jul 2026 11:14:03 +0000https://terms-en.ai-term-hub.com/zh/terms/deepseek_vl_v2/<h2 id="definition">Definition</h2> <p>DeepSeek VL V2将标准语言模型的能力扩展到多模态领域，使其能够结合图像和文本进行解释。它利用连接到大型语言模型的视觉编码器，实现了对复杂视觉内容的深入理解和生成。</p> <h3 id="summary">Summary</h3> <p>DeepSeek VL V2是一款视觉-语言模型，旨在以高精度和效率处理和理解视觉输入及文本查询。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>视觉-语言模型</li> <li>多模态AI</li> <li>视觉问答</li> <li>文档理解</li> <li>图像描述生成</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>自动图表解读</li> <li>医学影像诊断支持</li> <li>视觉搜索引擎</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/clip-clip/">CLIP (CLIP)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81%E5%AD%A6%E4%B9%A0-multimodal-learning/">多模态学习 (Multimodal Learning)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89-computer-vision/">计算机视觉 (Computer Vision)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%85%89%E5%AD%A6%E5%AD%97%E7%AC%A6%E8%AF%86%E5%88%AB-ocr/">光学字符识别 (OCR)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/datasetembedding_dataflickr30k_captions/Sat, 18 Jul 2026 11:12:55 +0000https://terms-en.ai-term-hub.com/zh/terms/datasetembedding_dataflickr30k_captions/<h2 id="definition">Definition</h2> <p>Flickr30K Captions 是一个广泛使用的基准数据集，包含 31,783 张图像，每张图像都标注了五个不同的英文句子来描述视觉内容。它作为构建跨模态理解模型的基础资源。</p> <h3 id="summary">Summary</h3> <p>一个多模态数据集，将 31,000 张图像与人工生成的描述相关联，用于训练跨模态嵌入模型。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>图文对齐</li> <li>跨模态检索</li> <li>视觉定位</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>构建图像搜索引擎</li> <li>生成图像描述</li> <li>训练视觉-语言模型</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/clip-%E6%A8%A1%E5%9E%8B-clip-model/">CLIP 模型 (CLIP Model)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%A7%86%E8%A7%89-%E8%AF%AD%E8%A8%80%E9%A2%84%E8%AE%AD%E7%BB%83-visual-language-pretraining/">视觉-语言预训练 (Visual-Language Pretraining)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%9B%BE%E5%83%8F%E6%8F%8F%E8%BF%B0%E7%94%9F%E6%88%90-image-captioning/">图像描述生成 (Image Captioning)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/coupled_pattern_learner/Sat, 18 Jul 2026 11:11:39 +0000https://terms-en.ai-term-hub.com/zh/terms/coupled_pattern_learner/<h2 id="definition">Definition</h2> <p>耦合模式学习者旨在处理来自两个不同空间且相互关联的数据实例，例如图像及其文本描述。通过建模联合分布或相关性&hellip;</p> <h3 id="summary">Summary</h3> <p>一种算法方法，同时学习两个不同但相关的模式或特征集之间的关系。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>跨模态学习</li> <li>联合分布</li> <li>相关性建模</li> <li>多视图学习</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>图文检索系统</li> <li>机器翻译</li> <li>音视频同步</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81%E5%AD%A6%E4%B9%A0-multimodal-learning/">多模态学习 (Multimodal Learning)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%85%B8%E5%9E%8B%E7%9B%B8%E5%85%B3%E5%88%86%E6%9E%90-canonical-correlation-analysis/">典型相关分析 (Canonical Correlation Analysis)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%AD%AA%E7%94%9F%E7%BD%91%E7%BB%9C-siamese-networks/">孪生网络 (Siamese Networks)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%B5%8C%E5%85%A5%E7%A9%BA%E9%97%B4-embedding-space/">嵌入空间 (Embedding Space)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/contrastive_languageimage_pre_training/Sat, 18 Jul 2026 11:11:27 +0000https://terms-en.ai-term-hub.com/zh/terms/contrastive_languageimage_pre_training/<h2 id="definition">Definition</h2> <p>对比式语言-图像预训练（CLIP）是一种在图像及其对应的互联网标题上训练的神经网络架构。它使用对比目标来最大化共现（图像-文本对的相似度）。</p> <h3 id="summary">Summary</h3> <p>一种多模态预训练方法，使用对比损失函数对齐图像和文本表示。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>余弦相似度</li> <li>零样本分类</li> <li>编码器架构</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>图像搜索引擎</li> <li>文生图生成指导</li> <li>视觉问答</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dall-e/">DALL-E</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%A7%86%E8%A7%89transformer-vision-transformers/">视觉Transformer (Vision Transformers)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86-natural-language-processing/">自然语言处理 (Natural Language Processing)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%B5%8C%E5%85%A5%E7%A9%BA%E9%97%B4-embedding-spaces/">嵌入空间 (Embedding Spaces)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/any_to_any/Sat, 18 Jul 2026 11:05:01 +0000https://terms-en.ai-term-hub.com/zh/terms/any_to_any/<h2 id="definition">Definition</h2> <p>任意到任意指的是统一的 multimodal 架构，能够处理各种输入-输出组合，例如文本到图像、图像到文本或音频到视频。与专用模型不同，这些系统具有更高的灵活性。</p> <h3 id="summary">Summary</h3> <p>一种生成式AI能力，允许模型直接将一种模态的输入转换为另一种任意模态的输出。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>统一架构</li> <li>跨模态转换</li> <li>潜在空间对齐</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>图像描述生成与创作</li> <li>通过文本提示编辑视频</li> <li>音频转录与合成</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81ai-multimodal-ai/">多模态AI (Multimodal AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B-generative-models/">生成模型 (Generative Models)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-transformer/">Transformer (Transformer)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B-diffusion-models/">扩散模型 (Diffusion Models)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/vision_language/Sat, 18 Jul 2026 11:02:27 +0000https://terms-en.ai-term-hub.com/zh/terms/vision_language/<h2 id="definition">Definition</h2> <p>视觉语言模型通常被称为多模态大语言模型（MLLMs），它们整合了计算机视觉和自然语言处理技术。这些模型使AI能够理解图像并生成相应的文本描述或回答。</p> <h3 id="summary">Summary</h3> <p>视觉语言模型是处理并将视觉数据与文本信息相关联以理解多模态上下文的AI系统。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态</li> <li>跨模态对齐</li> <li>图像描述生成</li> <li>视觉问答</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>自动化图像描述生成</li> <li>视觉问答系统</li> <li>结合上下文的内容审核</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/clip-%E5%AF%B9%E6%AF%94%E8%AF%AD%E8%A8%80-%E5%9B%BE%E5%83%8F%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B/">CLIP (对比语言-图像预训练模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/">LLM (大语言模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multimodal-ai-%E5%A4%9A%E6%A8%A1%E6%80%81%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/">Multimodal AI (多模态人工智能)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-transformer%E6%9E%B6%E6%9E%84/">Transformer (Transformer架构)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/cross_modal/Sat, 18 Jul 2026 10:56:05 +0000https://terms-en.ai-term-hub.com/zh/terms/cross_modal/<h2 id="definition">Definition</h2> <p>跨模态人工智能涉及处理和关联来自不同模态的数据，例如结合视觉、听觉和文本输入。这些系统学习共享表示以理解关系&hellip;</p> <h3 id="summary">Summary</h3> <p>整合和处理不同感官数据类型（如文本和图像）信息的 techniques。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>多模态学习</li> <li>数据融合</li> <li>共享嵌入</li> <li>模态间映射</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>图像描述生成</li> <li>视觉问答</li> <li>多模态搜索</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%A4%9A%E6%A8%A1%E6%80%81%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD-multimodal-ai/">多模态人工智能 (Multimodal AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%B5%8C%E5%85%A5-embedding/">嵌入 (Embedding)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89-computer-vision/">计算机视觉 (Computer Vision)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86-nlp/">自然语言处理 (NLP)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/visual/Sat, 18 Jul 2026 10:55:52 +0000https://terms-en.ai-term-hub.com/zh/terms/visual/<h2 id="definition">Definition</h2> <p>AI 中的“视觉”一词主要涉及计算机视觉领域，该领域致力于使机器能够从数字图像、视频和其他视觉输入中提取有意义的信息。它涉及图像处理、对象检测等技术。</p> <h3 id="summary">Summary</h3> <p>与视力或图像相关，通常指处理和解释图像和视频等视觉数据的计算机视觉任务。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>计算机视觉</li> <li>图像处理</li> <li>目标检测</li> <li>像素数据</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>人脸识别系统</li> <li>用于诊断的医学图像分析</li> <li>自动驾驶汽车的障碍物检测</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/computer-vision-%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89/">Computer Vision (计算机视觉)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/image-recognition-%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB/">Image Recognition (图像识别)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/cnn-%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">CNN (卷积神经网络)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/optical-character-recognition-%E5%85%89%E5%AD%A6%E5%AD%97%E7%AC%A6%E8%AF%86%E5%88%AB/">Optical Character Recognition (光学字符识别)</a></li> </ul>https://terms-en.ai-term-hub.com/zh/terms/generation/Sat, 18 Jul 2026 10:51:41 +0000https://terms-en.ai-term-hub.com/zh/terms/generation/<h2 id="definition">Definition</h2> <p>在人工智能中，生成是指模型（特别是生成对抗网络 GAN 和基于 Transformer 的大语言模型）产生文本、图像等新颖内容的能力。</p> <h3 id="summary">Summary</h3> <p>生成式模型创建与训练分布相似的新数据实例的过程。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>概率建模</li> <li>潜在空间</li> <li>词元预测</li> <li>合成数据</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>自然语言生成</li> <li>图像合成</li> <li>代码自动补全</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/diffusion-models-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B/">Diffusion Models (扩散模型)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transformer-transformer%E6%9E%B6%E6%9E%84/">Transformer (Transformer架构)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/gan-%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C/">GAN (生成对抗网络)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/prompt-engineering-%E6%8F%90%E7%A4%BA%E5%B7%A5%E7%A8%8B/">Prompt Engineering (提示工程)</a></li> </ul>