FlowiseAI 获多位贡献者提交 PR：新增图像上传、结构化 JSON 输出与 OCR 图像加载
FlowiseAI 近期收到贡献者 @aibysid 提交的一系列 PR，为其 AI 智能体可视化构建器加入多项功能。更新包括 ChatOpenRouter 节点支持图像上传、Agent 节点可输出结构化 JSON、新增支持多提供商 OCR 的图像加载器，并改进 Hugging Face 推理 API 集成及删除 AgentFlow 后列表自动刷新等体验。
#多模态
#多模态
今日 10 条FlowiseAI(@FlowiseAI)AI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Modal BlogAI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Reducto 如何用 Modal 将企业级文档处理延迟降低 3 倍
Reducto 将 30+ 模型的推理负载迁移到 Modal 后，P90 延迟降低 3 倍，借助 GPU 内存快照把冷启动从约 70s 缩短到约 12s，降幅 83%。Reducto 通过按客户参数化独立扩缩容、按区域固定延迟敏感函数，实现各客户负载隔离。一次 100k 页/分钟的企业压测中，其摄入流水线在不到一小时内扩展到 1000+ GPU 并顺利缩容。
Ian Goodfellow(@goodfellow_ian)AI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 2.5 Pro 与 3 Pro 输出对比：3 Pro 凭借强多模态理解与 3D 推理实现保真度跃升
Gemini 3 Pro 相比 Gemini 2.5 Pro 实现输出保真度跃升，得益于更强的多模态理解与 3D 推理能力。该对比通过两款模型的最佳输出示例直观呈现了这一差距。
Ian Goodfellow(@goodfellow_ian)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 3 多模态推理测试：仅凭一张图片生成 threejs 体素艺术场景
Gemini 3 的一项多模态推理测试显示，仅用一张图片作为输入，即可让模型编写出 threejs 体素艺术场景的单页代码，提示词为“我提供了一张图片，请据此创作一个漂亮的体素艺术场景”。该测试由 Ian Goodfellow 分享，用于展示 Gemini 3 的图像理解与代码生成能力。
Monica_IM(@hey_im_monica)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Monica 支持 Sora 2 视频模型，可生成 4s / 8s / 12s 视频
Monica 现已支持 Sora 2 视频模型，用户可直接在 Monica 内生成 4s / 8s / 12s 视频。官方称实测生成了一段 12 秒、7 个场景的动漫短片，提示词放在评论区。
Berkeley AI Research(@berkeley_ai)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 BAIR 论文「Hidden in plain sight: VLMs overlook their visual representations」获 COLM 2025 杰出论文奖
BAIR 研究者 Trevor Darrell 实验室的论文「Hidden in plain sight: VLMs overlook their visual representations」在加拿大蒙特利尔举行的 COLM 2025 上获得杰出论文奖，作者包括 @xkungfu、@tylerraye、@databoydg。该研究指出视觉语言模型（VLM）会忽略自身的视觉表征。
Lilian Weng(@lilianweng)AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Thinking Machines Lab 融资 20 亿美元并启动招聘
Lilian Weng 转发 Mira Murati 声明，Thinking Machines Lab 已获 a16z 领投的 20 亿美元融资，NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street 等参投。
Barsee 🐶(@heyBarsee)AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 一周 AI 大事：Google Veo 3、Anthropic Claude 4 等集中发布
Barsee 总结了最近 AI 领域最密集的一周，Google 推出 Veo 3，Anthropic 发布 Claude 4，OpenAI 与 Jony 联合推出 IO。此外还有 Apple Glasses 与 Google Glasses、Tesla Optimus 的进展，以及 Anthropic CEO 对 2026 年 AI 的预测。
OpenAI NewsAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ChatGPT 的视觉与语音能力
ChatGPT 支持视觉与语音多模态输入，帮助团队处理图像信息并以更自然的方式沟通。OpenAI 介绍了这两项能力在团队协作场景中的使用方式。
Eugene YanAI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Autoencoders 与 Diffusers：简要对比
自编码器与扩散模型在学习范式和架构上颇为相似：两者都从输入重建输出、都能学习数据的低维流形，且都用瓶颈层，U-Net 可视为带残差连接的自编码器。关键区别在于扩散模型以时间步 t 作为条件输入，使单套参数即可处理不同噪声水平，并支持以文本提示词生成图像。
Lilian Weng — Lil’LogAI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 广义视觉语言模型：四类视觉与语言融合方法综述
Lilian Weng 在 Lil'Log 综述将视觉语言模型（VLM）归为四类：把图像转为可与 token 嵌入联合训练的嵌入向量、学习可作为冻结预训练语言模型前缀的图像嵌入、用专门设计的 cross-attention 机制把视觉信息融入语言模型各层，以及不做任何训练直接组合视觉与语言模型。