Gemini视频分析教程：使用Gemini 2.0理解视频
传统视频分析依赖人工或复杂的计算机视觉流水线，难以处理长视频和复杂语义。Gemini 作为原生多模态模型，具备长上下文窗口，能直接理解视频中的视觉、音频和文本信息，简化了视频分析流程。适用于内容审核、用户研究、教育、媒体检索等场景。主要限制包括视频大小和处理时间，以及 API 调用成本。 Gemini 模…
阅读教程 →官方AI技术教程 · 中文精选
图像与多模态
图像生成、编辑、视觉理解与视频处理。
共 10 篇教程
Video_REST.ipynb：使用REST API处理视频的完整指南
随着多模态AI的发展，处理视频内容成为重要需求。Gemini API提供了强大的视频理解能力，但视频文件通常较大，直接通过常规API请求传输效率低且易失败。File API应运而生，它支持可恢复上传、异步处理，并允许在提示中引用已上传的媒体文件。本教程解决的核心问题是：如何高效、可靠地将视频文件上传至Gemini API并…
阅读教程 →使用Claude处理图表和幻灯片：实用技巧与模式
在金融、科研、商业分析等领域，大量信息以图表、图形和幻灯片形式呈现。传统文本提取方法（如PyPDF）无法捕获视觉元素中的关键数据，导致信息丢失。Claude具备强大的视觉理解能力，结合PDF支持功能，可直接解析文档中的图表和图形，回答复杂问题。本教程旨在指导开发者利用Claude API实现多模态文档分析，解决…
阅读教程 →Gpt-image-1.5 提示词指南：掌握AI图像生成技巧
随着生成式 AI 的快速发展，图像生成模型已从实验性工具演变为生产级应用的核心组件。gpt-image-1.5 作为 OpenAI 最新推出的图像模型，在真实感、文本渲染、身份保持和复杂结构化视觉方面显著提升，适用于广告、电商、UI 设计、内容创作等场景。然而，模型输出质量高度依赖提示词设计，开发者常因提示词模糊、约…
阅读教程 →图像生成与编辑用例的图像评估指南
随着图像生成与编辑模型（如DALL·E、GPT-Image）从实验走向生产，它们被用于设计模型、营销素材、虚拟试穿、品牌编辑等真实工作流。然而，这些系统的输出质量不能仅凭主观“看起来不错”来判断，因为图像混合了硬约束（精确文本、数量、属性、局部性）、感知质量（清晰度、连贯性、真实感）和隐藏失败模式…
阅读教程 →使用GPT-4o mini为图像添加标签和描述：多模态AI实践指南
在电商、推荐系统和内容管理中，图像数据往往缺乏结构化文本信息，导致搜索和检索困难。传统方法依赖人工标注，成本高且难以扩展。多模态大模型（如GPT-4o mini）能够同时理解图像和文本，自动生成标签和描述，从而将非结构化图像转化为可搜索的文本表示。本教程解决的核心问题是如何利用这些模型高效地为…
阅读教程 →评估GPT-5.5的接地空间推理能力
空间推理是AI核心能力，要求模型理解并操作空间信息。传统计算机视觉系统将空间理解分解为检测、分割等窄任务，但在需要解释场景、推理结构含义并生成有效计划时存在局限。前沿多模态模型如GPT-5.5可直接处理此类任务，但需评估其接地空间推理能力。本文通过办公室布局生成案例，测试模型在给定空白平面图…
阅读教程 →使用CLIP嵌入和GPT-4 Vision提升多模态RAG
传统RAG系统主要处理文本，无法利用图像信息，限制了在图像问答、视觉搜索等场景的应用。多模态RAG通过结合文本和图像数据，提供更丰富的上下文，提升生成答案的质量。CLIP模型通过对比学习将图像和文本映射到同一向量空间，使得图像和文本可以互相检索。GPT-4 Vision支持图像输入，能够理解图像内容并生成文…
阅读教程 →为营销活动和演示文稿生成透明图像素材
在数字内容创作中，图像背景处理是常见痛点。传统方法依赖手动抠图或背景移除工具，不仅耗时，且难以处理半透明物体（如玻璃、丝带、细枝）的精细边缘，容易产生光晕或细节丢失。AI图像生成模型（如gpt-image-2）支持直接输出带alpha通道的透明PNG，从源头解决该问题。此技术适用于需要复用同一视觉元素的场景…
阅读教程 →Sora 2 提示词指南：掌握视频生成的关键技巧
Sora 2 是 OpenAI 推出的先进视频生成模型，能够根据文本提示词生成高质量、逼真的视频。随着 AI 视频生成技术的快速发展，提示词工程成为控制生成结果的关键技能。开发者需要理解模型的工作原理、API 参数与提示词的关系，以及如何通过结构化描述、风格引导和迭代优化来获得理想输出。本教程旨在填补从理论到…
阅读教程 →