Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

使用多模态提取图片中的表格信息

Answer

以下是关于多模态提取图片中表格信息的相关内容：

在多模态任务和评测方法方面，有以下任务及相关信息： |任务名称|简称|数据集名称|数据集大小|指标计算| |-|-|-|-|-| |Video Action Recognition|VAR|UCF-101|101 类共 13K 个视频片段|Accuracy| |||HMDB-51|51 类共 7K 个视频片段|Accuracy| |||Moments in Time|339 类共 1M 个视频片段|Accuracy| |||Kinetics400|400 类且每类 400 个视频片段|Accuracy| |||Kinetics600|600 类且每类 600 个视频片段|Accuracy| |||Kinetics700|700 类且每类 700 个视频片段|Accuracy| |Image Text Retrival|Retrival 任务|Flickr30K|31K 张图片，155K 文字描述|R@1| |||MS-COCO|113K 张图片，567K 文字描述|R@1| |Image Caption|Caption 任务|Visual Genome|108K 图片，5.41M 文字描述|CIDEr| |||CC3M|3.01M 对图片和文字描述|CIDEr| |||SBU|867K 对图片和文字描述|CIDEr| |||LAION400M|400M 图片|CIDEr| |Visual QA|VQA|VQAv2|265K 张图片|Accuracy| |||VisDial|130K 图片|Accuracy|

Gemini 模型本身是多模态的，展示了无缝结合跨模态能力，例如从表格、图表或图形中提取信息和空间布局，以及语言模型的强大推理能力。

GPT-4V 在视觉编码能力方面，图 46 进一步展示了其将输入图像中的表格重构为 MarkDown/LaTex 代码。

Content generated by AI large model, please carefully verify (powered by aily)

References

（4）多模态的大一统之路

汇总以上的信息，总结成表格，方便查询|任务名称|简称|数据集名称|数据集大小|指标计算|<br>|-|-|-|-|-|<br>|Video Action Recognition|VAR|UCF-101|101类共13K个视频片段|Accuracy|<br>|||HMDB-51|51类共7K个视频片段|Accuracy|<br>|||Moments in Time|339类共1M个视频片段|Accuracy|<br>|||Kinetics400|400类且每类400个视频片段|Accuracy|<br>|||Kinetics600|600类且每类600个视频片段|Accuracy|<br>|||Kinetics700|700类且每类700个视频片段|Accuracy|<br>|Image Text Retrival|Retrival任务|Flickr30K|31K张图片，155K文字描述|R@1|<br>|||MS-COCO|113K张图片，567K文字描述|R@1|<br>|Image Caption|Caption任务|Visual Genome|108K图片，5.41M文字描述|CIDEr|<br>|||CC3M|3.01M对图片和文字描述|CIDEr|<br>|||SBU|867K对图片和文字描述|CIDEr|<br>|||LAION400M|400M图片|CIDEr|<br>|Visual QA|VQA|VQAv2|265K张图片|Accuracy|<br>|||VisDial|130K图片|Accuracy|

Gemini report 中文翻译

Gemini模型本身就是多模态的。这些模型展示了无缝结合跨模态能力的独特能力（例如从表格、图表或图形中提取信息和空间布局），以及语言模型的强大推理能力（例如在数学和编码方面的最新性能），如图5和12中的示例所示。这些模型在识别输入中的细微细节、在空间和时间上聚合上下文，以及在一系列视频帧和/或音频输入上应用这些能力方面也表现出强大的性能。下面的部分提供了对模型在不同模态（图像、视频和音频）上的更详细评估，以及模型在图像生成和跨不同模态的信息组合能力方面的定性示例。

解读 GPT-4V 《多模态的新时代》

图45展示了根据手写数学方程生成LaTeX代码的能力。这项功能可以帮助用户更高效地用LaTeX编写方程。尽管模型无法为较长的方程生成代码，但它可以有效处理较短的方程。通过将较长的方程分解为较短的组件，模型能够生成适当的代码。图46进一步展示了GPT-4V如何将输入图像中的表格重构为MarkDown/LaTex代码。图47显示了编写Python、TikZ和SVG代码以复制输入图形的示例。尽管生成的输出不是完全匹配，但布局相似，代码可以轻松修改以满足特定需求。

Others are asking
多模态Agent最新动态
以下是关于多模态 Agent 的最新动态： 《质朴发言：视觉语言理解模型的当前技术边界与未来应用想象｜Z 研究第 2 期》 近期，生成式 AI 领域的浪潮催化了多模态模型的探索，研究人员不断尝试使用更多模态数据的编码，以训练出能够理解和处理多种类型数据的模型。本份研究报告集中讨论了基于 Transformer 架构的视觉语言模型，报告范围专注于视觉和语言之间的交互，不考虑单纯的视觉到视觉的计算机视觉任务。 从 2022 年 11 月 18 日到 2023 年 7 月 26 日，多模态 Agents 迅速增长。 LLM 多模态 agent 是将现有技术融合的新尝试，是一种集成了多种模态数据处理能力的 AI 技术。 优点：高度的灵活性和扩展性，可根据不同任务需求调用最合适的模型处理任务，适应多样化任务和数据类型，优化资源使用，提升效率；无需训练，系统开发周期快，成本低。 局限性：调试和工程化难度较高，维护和升级成本高；多个组件紧密耦合，单点故障可能导致整个系统风险增加；没有涌现出新的能力。 适用场景：需要综合处理视频、语音和文本等多种信息的复杂环境，如自动驾驶汽车；高度交互和灵活的用户界面，如客户服务机器人或交互式娱乐应用。 《2024 年度 AI 十大趋势报告》 随着大模型对图像和视频信息的处理能力快速提升，预计 2025 年将开始出现更为综合性的多模态交互，AI 能够通过物联网、特定信息等多种感知通道进行协同。 多模态输入和输出使 AI 交互性更强、交互频次更高，适用场景也更加丰富，AI 产品整体水平显著提升。 Agent 作为融合感知、分析、决策和执行能力的智能体，能够根据用户历史行为和偏好，主动提供建议、提醒并个性化执行能力，为用户提供高度个性化的任务。从 2025 年开始，AI Agent 即将广泛投入使用。 从个性化推荐到直接生成个性化内容，AIGC 能够使用户体验的个性化程度有明显提升，这将帮助产品进一步完善用户体验，并通过提高用户忠诚度和迁移成本，实现差异化定价和进一步的服务增值，对产品的差异化竞争有重大意义。目前，基于 AIGC 的高度个性化已经在 AI 教育、AI 陪伴、AI 营销领域有明显进展。在硬件端搭载的多款 AI 智能助手也已开始以高度个性的个人助理作为宣传重点。
2025-03-31
Qwen 多模态模型哪一个最顶？
目前阿里发布的 Qwen 多模态模型中，Qwen2.5VL 较为突出。它可处理长达数小时的视频，并在电脑上执行自动化任务。提供 3B、7B、72B 三种规模，旗舰版对标 GPT4o、Claude 3.5 Sonnet。具备全文档解析能力，支持手写、表格、图表、化学公式等多场景识别，还可操作电脑或手机界面，执行自动化任务，如点击按钮、填表等。详情可参考：https://www.xiaohu.ai/c/xiaohuai/qwen25vl285cee 。此外，Qwen2.5Max 也是阿里通义千问的大型专家模型（MoE），基于 SFT 和 RLHF 策略训练，在多项基准如 Arena Hard、LiveBench、LiveCodeBench、GPQADiamond 上超越 DeepSeek V3，引发社区关注。更多体验方式包括支持官方 Chat、API 接口、Hugging Face Demo 等，详情可参考：https://qwenlm.github.io/blog/qwen2.5max/ 、https://chat.qwenlm.ai 、https://alibabacloud.com/help/en/modelstudio/gettingstarted/firstapicalltoqwen?spm=a2c63.p38356.helpmenu2400256.d_0_1_0.1f6574a72ddbKE 、https://huggingface.co/spaces/Qwen/Qwen2.5MaxDemo 。
2025-03-25
如何构建多模态知识库？
构建多模态知识库可以参考以下步骤： 1. 图像知识库方面：通过多模态的能力对图片信息进行检索理解。效果测试时，上传一张图片，在图像数据库里找到相关信息，然后结合内容进行回复。 2. 构建图片索引： 新建结构化数据表时，将图片索引所在列的字段类型设置为 link。需注意新建数据表后，无法再新增或修改字段类型为 link。 创建结构化知识库时，对于需要建立图片索引的 link 类型字段，在旁边的下拉列表中选择图片。创建知识库后，无法再新建或修改图片索引。 3. 多模态知识库还包括构建图片型索引需结构化数据表，字段类型设置为 link，以实现 FAQ 中向用户推送图片信息。
2025-03-19
多模态达模型排行
以下是一些常见的多模态模型排行及相关信息： 1. 智谱·AI 开源模型： CogAgent18B：基于 CogVLM17B 改进的开源视觉语言模型，拥有 110 亿视觉参数和 70 亿语言参数，支持 11201120 分辨率的图像理解，在 CogVLM 功能基础上具备 GUI 图像的 Agent 能力。代码链接：。 CogVLM17B：强大的开源视觉语言模型（VLM），在多模态权威学术榜单上综合成绩第一，在 14 个数据集上取得了 stateoftheart 或者第二名的成绩。代码链接：。 Visualglm6B：开源的支持图像、中文和英文的多模态对话语言模型，语言模型基于 ChatGLM6B，具有 62 亿参数；图像部分通过训练 BLIP2Qformer 构建起视觉模型与语言模型的桥梁，整体模型共 78 亿参数。代码链接：。 2. Gemini 模型：Gemini Ultra 在表 7 中的各种图像理解基准测试中都是最先进的，在回答自然图像和扫描文档的问题，以及理解信息图表、图表和科学图解等各种任务中表现出强大的性能。在 zeroshot 评估中表现更好，超过了几个专门在基准训练集上进行微调的现有模型，适用于大多数任务。在 MMMU 基准测试中取得了最好的分数，比最先进的结果提高了 5 个百分点以上，并在 6 个学科中的 5 个学科中超过了以前的最佳结果。 3. 多模态思维链提示方法：Zhang 等人（2023）提出了一种多模态思维链提示方法，多模态 CoT 模型（1B）在 ScienceQA 基准测试中的表现优于 GPT3.5。
2025-03-18
【深度拆解】ChatGPT-4o背后的技术革新：从语言模型到多模态跨越
ChatGPT4o 背后的技术革新具有重要意义。人类的感知多样，仅靠语言描述世界远远不够，多模态理解非常有用，能更全面学习世界、理解人类需求等。2023 年 9 月 GPT4v 发布，将大语言模型竞赛带入多模态模型时代，如 ChatGPT 能看图说话、画图，Google 的 Gemini 支持多种模态，但 OpenAI 常抢先发布。今年 5 月 OpenAI 发布 GPT4o，向智能体方向迈进，其是之前技术的集大成者，通过端到端神经网络混合训练视觉、语音和文本数据，平均音频输入反应时间为 300 毫秒，能感悟人类表达的情绪等。OpenAI 未公开 GPT4o 技术细节，唯一线索来自内部炼丹师的博客 AudioLM。此外，GPT4 是 OpenAI 的多模态工具，在编程任务中表现出色，ChatGPT 是用户友好界面，可与高级语言模型交互。2024 年 5 月 14 日 OpenAI 发布 GPT4o，效率高、价格降低、延迟缩短。9 月 16 日 OpenAI 推出 o1 系列模型，在复杂任务中表现优异，o1mini 适合编码任务，两个模型已在 ChatGPT 中提供，有免费或收费版本。
2025-03-09
多模态是什么
多模态是指多数据类型交互，能够提供更接近人类感知的场景。大模型对应的模态包括文本、图像、音频、视频等。 随着生成式 AI 和大模型的发展，我们逐渐进入多模态灵活转换的新时代，即利用 AI 实现文本、图像、音频、视频及其他更多模态之间的互相理解和相互转换，这一变革依靠一系列革新性的算法。 在感知不同模态数据时，AI 不再局限于传统的单一模态处理方式，而是借助高维向量空间来理解数据，将图像或文字“压缩”成能够捕捉深层关系的抽象向量。 Gemini 模型本身就是多模态的，展示了无缝结合跨模态的能力，在识别输入细节、聚合上下文以及在不同模态上应用等方面表现出强大性能。
2025-03-02
利用飞书多维表格，做一个类似于客服机器人 可以怎么做？
利用飞书多维表格做一个类似于客服机器人，可以按照以下步骤进行： 1. 创建一个拟人化的 bot，比如起名叫青青，设定其为人设是一个可爱有趣的少女，擅长回答各种刁钻的问题。完成 BOT 捏好后点击发布。 2. 发布时配置飞书多维表格： 输出为文本时，第一步配置为文本。 配置多维表格输入表单，选择用控件的字段选择器，给字段标题随便起个名字如“question”。 在完善捷径的商家信息这里，可以选择全量发布，也可以选择仅自己可用。为了审核快一些，可以选择仅自己可用。等审核通过之后，就可以在飞书多维表格里面看到发布成功。 3. 还可以探索字段捷径的各种玩法（不含 bot），比如直接创建一个多维表格，第一列是几个成语，第二列是 AI 字段捷径生成的对成语的解释。左边输入一列，比如一列成语，右边配置 AI 字段。 此外，还有一些相关信息供您参考： “Show Me 扣子 AI 挑战赛大消费行业专场圆满落幕，探索 AI 与大消费行业的深度结合”中提到了一些相关作品，如帮助企业快速建立产品智能客服体系、ERP 高智版：扣子销售订单管理大师、亚马逊商品评论智析、AI 电商设计师等。 2024 年历史更新（归档）中包含了关于飞书多维表格字段捷径配置 COZE 的 BOT 青青的相关内容。
2025-04-08
excel表格导出的用户的对话记录，来进行自定义标签并打标，有哪些好用的现成方案或者工具
目前在 Excel 表格导出的用户对话记录进行自定义标签并打标方面，以下是一些常见且好用的工具和方案： 1. Microsoft Excel 本身：可以利用其数据筛选、排序和函数功能来辅助标签和打标。 2. Google Sheets：具有类似 Excel 的功能，且在线协作方便。 3. R 语言：通过编程实现复杂的数据分析和标签处理。 4. Python 及相关库，如 Pandas：能够灵活处理数据和进行标签操作。 但具体选择哪种方案或工具，取决于您的具体需求、技术水平和使用习惯。
2025-04-07
钉钉多维表格属于agent吗
钉钉多维表格本身不属于 Agent，但在某些特定的场景和应用中，可以将其与其他技术结合来构建类似于 Agent 的功能。 例如，在搭建信息情报官 Agent 的过程中，会利用飞书多维表格作为中间数据的传递工具，实现数据的存储和状态转换。同时，经过调研发现，飞书多维表格插件支持新增和查询数据表记录，能满足存储和检索数据的需求，为构建 AI 智能体提供支持。但这并不意味着多维表格本身就是 Agent，而是在特定的技术架构和应用中发挥了重要的数据处理和存储作用。
2025-04-01
多维表格属于agent
多维表格在搭建信息情报官 Agent 方面有以下应用： 1. 因为前面需要对多维表格操作，所以要先在 http://open.feishu.cn 上建一个飞书机器人，并添加知识库或多维表格编辑权限，通过机器人的 app_id 和 app_secret 获得租用 token:tenant_access_token 来获取多维表格数据和编辑能力。 2. 可以通过读 SQLiteDB 或者获取 RSS XML 页面 http://127.0.0.1:4000/feeds/all.atom，写程序获得公众号的更新文章，由于本地部署无法直接将文章同步到 Coze，选择使用多维表格作为在线数据库及飞书机器人 API 的方式来实现中间数据的传递，在多维表格中设置状态转换来了解文章是否已被解读和推送。 3. 应用背景包括解决数据高效抓取与批量 AI 化处理的问题，涉及 Coze 定义智能体发布到飞书多维表格字段捷径、多维表格中使用和配置自定义的 AI 字段捷径、Coze 应用将数据导入到飞书多维表格并驱动其自动运行、多维表格仪表盘对数据的可视化等技术场景，期望达到让大家学会最高效率使用 AI 并将方案泛化到实际工作中的目的。
2025-04-01
飞书多维表格如何接入gemini？
要将飞书多维表格接入 Gemini，以下是一些相关的操作步骤和说明： 首先，请注意部分操作需要搭配 Google 云服务或自备 API 才可以正常练习，具体内容)。友情提示，从这一部分及以后内容，多数都会是配合代码完成的，如果您是 0 代码学习者，尝试看懂提示词，并在一些 AI 产品上尝试使用。 接下来，课程将深入探讨代码部分。为了运行这个笔记本，需要执行一些设置代码。首先，需要导入 utils 并进行身份验证，这意味着需要设置一些凭证和项目 ID，以便能够从笔记本环境调用云端的 Gemini API。项目包含在云中使用的资源和 Gemini API。这个设置过程确保了笔记本能够正确连接和使用 Gemini 模型。 对于本课程，还需要指定一个区域，即代码将在哪里执行。在这种情况下，使用的是 uscentral1。 接下来，课程将导入 Vertex AI SDK。Vertex AI SDK 可以看作是一个 Python 工具包，帮助用户与 Gemini 交互。通过这个 SDK，可以使用 Python 调用 Gemini API 并获得响应。 在笔记本中，需要初始化 Vertex SDK。这意味着需要告诉 SDK 以下信息： 1. 使用的项目 2. 想要使用 Gemini 模型的区域 3. 用户凭证 通过提供这些信息，Gemini API 就能识别用户身份，并确认用户有权使用 API。 为了使用 Gemini API，需要从 SDK 中导入 generative_model。设置完成后，需要指定具体的模型。这可以通过设置 model 变量来完成，使用刚刚导入的 generative_model，并选择特定的 Gemini 模型。在这个案例中，课程将使用 Gemini 1.0 Pro 版本。这个选择反映了对于当前任务，Gemini Pro 可能是最合适的平衡点，提供了良好的性能和效率。 此外，Gemini 不仅是单一模型，而是一个模型系列，包含不同大小的模型，每种大小都针对特定的计算限制和应用需求而定制。首先是 Gemini Ultra，这是系列中最大和最强大的模型。Gemini Pro 被设计为多功能的主力模型，平衡了模型性能和速度。还有 Gemini Flash，这是一个专门为高容量任务设计的最快、最具成本效益的模型。最后是 Gemini Nano，它是 Gemini 家族中的轻量级成员，专门设计用于直接在用户设备上运行。
2025-03-28
飞书多维表格里的字段捷径怎么关联deepseek
飞书中将飞书多维表格里的字段捷径与 DeepSeek 关联的相关内容如下： 基于其他博主开源的视频生成工作流进行功能优化，实现视频全自动创建。通过表单输入主题观点，提交后自动创建文案短视频，创建完成后推送视频链接到飞书消息。涉及工具包括 Coze 平台（工作流、DeepSeek R1、文生图、画板、文生音频、图+音频合成视频、多视频合成）、飞书（消息）、飞书多维表格（字段捷径、自动化流程）。大体路径为：通过 Coze 创建智能体，创建工作流，使用 DeepSeek R1 根据用户观点创建文案，再创建视频；发布 Coze 智能体到飞书多维表格；在多维表格中使用字段捷径，引用该智能体；在多维表格中创建自动化流程，推送消息给指定飞书用户。 做一个专属的好文推荐网站（DeepSeek R1 + 飞书多维表格）时，新建带有 AI 能力的飞书多维表格，逐一添加字段，使用“DeepSeek R1”时需要关联火山方舟的账号信息，并勾选相关选项。 在 Coze 应用 + 多维表格的高速数据分析中，使用 Coze、飞书多维表格、自定义 AI 字段捷径（Agent）来实现数据的高效抓取与批量 AI 化处理。Coze 定义智能体，发布到飞书多维表格字段捷径，多维表格中使用和配置自定义的 AI 字段捷径，Coze 应用采用交互式界面将数据导入到飞书多维表格，并驱动多维表格自动运行，通过多维表格仪表盘对数据进行可视化。目的是让大家了解如何最高效率使用 AI，并将方案泛化到实际工作中。
2025-03-25
文章提取器
以下是关于文章提取器的相关内容： Yeadon 提出了利用 Cursor+Coze 工作流打造网页内容提取插件的方法。Cursor 是具有 AI 功能的革新性代码编辑器，Coze 工作流是可视化的组合工具。该插件的功能需求包括对当前网页链接的提取、LLM 对网页内容的总结、LLM 输出三个变量（主角、文章概括、金句提取）、通过图片搜索工具搜主角图片以及进行排版得到图文总结卡片。 小七姐介绍了 MetaPrompt 用于文章风格提取，可抽取不同风格文章的核心要素作为 prompt 进行风格迁移。已抽取的风格包括万维钢、史铁生、李娟、许倬云、鲁迅、王小波等，还提到了飞书多维表格工作流自动化抽取的使用方法，以及相关的测评和彩蛋等内容。
2025-04-07
我想了解如何提取自己的声音并实现大模型以我的声音回答我
要提取自己的声音并实现大模型以您的声音回答，目前提供的知识库中没有直接相关的详细内容。但可以为您提供一些可能有用的思路和参考方向： 对于声音提取，可能需要使用专业的音频处理软件和设备，将您的声音录制并进行处理和分析。 关于让大模型以您的声音回答，这可能涉及到语音合成技术。您可以先了解一些常见的语音合成模型和工具，例如通过创建大模型问答应用，获取推理 API 服务等。 同时，还可以参考一些关于大模型和语音处理的专业知识，比如大模型的本质是基于语言的概率模型，通过设置合适的 Prompt 来引导模型输出更准确的结果。 由于知识库中没有确切的针对您需求的详细步骤和方法，以上内容仅供您初步参考。
2025-04-01
coze上提取视频文案的插件有哪些？都是怎么调用的
以下是关于在 coze 上提取视频文案的插件及调用方法： 1. 进入 coze 个人空间，选择插件，新建一个插件并命名，如 api_1。 2. 在插件的 URL 部分，填入通过 ngrok 随机生成的 https 的链接地址。 3. 配置输出参数和 message 输出。 4. 测试后发布插件。 需要注意的是： 1. 如果在生产环境中已有准备好的 https 的 api，可直接接入。 2. 本案例中使用的是 coze 国内版，且案例中的 ngrok 仅供娱乐，在生产环境中勿用。
2025-04-01
帮我提取五份关于基础AI或者大数据学习的资料，我给发电厂的领导学习
很抱歉，目前没有为您找到五份关于基础 AI 或者大数据学习的具体资料。但您可以通过以下途径获取相关资料： 1. 在线教育平台，如 Coursera、EdX 等，上面有许多关于 AI 和大数据的基础课程。 2. 相关的专业书籍，例如《人工智能：一种现代方法》《大数据时代》等。 3. 学术期刊网站，如 IEEE Xplore、ScienceDirect 等，能获取最新的研究成果和技术报告。 4. 知名科技公司的技术博客，如谷歌、微软等，它们会分享一些实用的技术见解和案例。 5. 相关的开源项目网站，如 GitHub，从中可以了解实际的项目代码和实现方法。
2025-03-28
文章风格提取&文风转移教程
以下是关于文章风格提取和文风转移的教程： 该提示词可用于抽取不同风格文章的核心要素，抽取到的字段能作为 prompt，结合指定主题进行风格迁移。整体创作思路见文末 PDF。 具体使用方法为：拷贝文章风格提取提示词，输入给任意大模型，随后提供要抽取的文本。 已抽取的一些风格参考包括万维钢风格、史铁生《我与地坛》的文风、李娟《我的阿勒泰》的文风、许倬云《说中国》的文风、鲁迅《狂人日记》的文风、王小波《万寿寺》的文风、飞书多维表格工作流自动化抽取等。 在实践中，文章润色要想始终保持特定风格较困难，关键在于稳定模型的记忆功能以确保写作一致性。首先建立数据库存储文章风格，对不同文本进行风格提取并存储。使用时可根据需求选择和应用不同风格。 文章润色规划流程清晰地分为两部分：第一部分是润色内容的提取，上传文字时模型会识别和提取风格的关键要素并保存到写作风格库；第二部分是润色本身，先提取所需风格，提供文章内容，可选择逐段或整篇润色，以达到最佳写作效果。
2025-03-26
使用coze提取包含我指定的几个关键词的小红书内容数据进行汇总及分析
以下是关于使用 Coze 提取包含指定关键词的小红书内容数据进行汇总及分析的相关内容： 首先，在“一枚扣子：Coze 应用+多维表格的高速数据分析”中提到： 1. 需求是根据博主链接获取笔记并自动写入多维表格，然后进行批量分析。 2. 完成后端准备工作后，需找到博主地址，批量读取笔记并写入多维表格的 note_url 列。 3. 打开 Coze 创建应用，可选择 PC 模式，需要几个参数如多维表格地址、数据表名、小红书博主首页地址。 4. 设计读取博主笔记列表的工作流，包括创建应用、开发工作流等步骤。工作流实际上只有读取、转换、写入三步，开始节点设置三个参数，第二步需进行数据转换，添加代码节点，最后在插件市场选择多维表格插件并配置参数。 其次，在“舆情管理大师汽车 bot 小队.pptx”中： 1. 提到采集结果实时更新、智能总结链接内容、智能打分辅助判断等功能。 2. 构建高效数据流转体系，包括数据入表、关键词库等。 3. 任意关键词的工作流都适配，只需要调整 prompt。 最后，在“一枚扣子：2.0Coze 应用+多维表格+数据分析”中： 1. 介绍了配置管理，通过用户变量保存设置用于其他工作流。 2. 编排工作流，在开始节点添加变量接收 UI 输入的配置参数。 3. 包括账号分析、关键词/赛道分析等工作流，基础工作流用于查询，同步数据工作流涉及代码节点。 综上所述，使用 Coze 提取小红书内容数据进行汇总及分析需要创建应用、配置参数、设计工作流，并结合多维表格等工具实现相关功能。
2025-03-25
目前好用的免费的图片生成 视频生成 ai
以下是为您推荐的好用的免费的图片生成和视频生成 AI 工具： 1. Pika Labs： 被网友评价为目前全球最好用的文本生成视频 AI。 功能：直接发送指令或上传图片生成 3 秒动态视频。 费用：目前内测免费。 操作步骤： 加入 Pika Labs 的 Discord 频道：在浏览器中打开链接 https://discord.gg/dmtmQVKEgt ，点击加入邀请。 在 generate 区生成：左边栏出现一只狐狸的头像就意味着操作成功了，如果没成功点开头像把机器人邀请至服务器。接着在 Discord 频道的左侧，找到“generate”子区，随便选择一个进入。 生成视频：输入/create，在弹出的 prompt 文本框内输入描述，比如/create prompt:future war,4K ar 16:9，按 Enter 发送出去就能生成视频了。也可以输入/create，在弹出的 prompt 文本框内输入描述，点击“增加”上传本地图片，就能让指定图片生成对应指令动态效果。 下载保存：喜欢的效果直接右上角点击下载保存到本地。如果对生成的视频不满意，如图像清晰度不够高或场景切换不够流畅等，可以点击再次生成按钮，系统会进一步优化生成的效果。 2. Grok 客户端： 支持免费生成图像和聊天功能。 图像生成效果优秀，可以趁机薅羊毛。 下载链接：https://apps.apple.com/us/app/grok/id6670324846 、https://x.com/imxiaohu/status/1877282636986552648 3. 香港科技大学与 Adobe 发布的 TransPixar： 可生成带透明背景的视频（RGBA 格式），实现更丰富的视觉效果。 传统 RGB 视频无法实现的透明效果，比如烟雾扩散等，可直接无缝叠加到其他背景中。 大幅减少后期手动抠图或添加透明效果的工作量，适用于电影特效制作等场景。 相关链接：https://x.com/imxiaohu/status/1877195139028066576 、项目地址：https://wileewang.github.io/TransPixar/ 、GitHub：https://github.com/wileewang/TransPixar
2025-04-04
图片变视频、
以下是关于图片变视频的相关内容： 使用 Camera Motion 进行图片变视频的步骤： 1. 上传图片：点击“AddImage”上传图片。 2. 输入提示词：在“Prompt”中输入提示词。 3. 设置运镜方向：选择您想要的运镜方向，输入（如向右运镜）。 4. 设置运动幅度：运动幅度和画面主体运动幅度有关，与运镜大小无关，可以设置成您想要的任意值。 5. 其它设置：选择好种子（seed），是否高清（HD Quality），是否去除水印（Remove Watermark）。 6. 生成视频：点击“create”，生成视频。 Joey 在图片转视频方面的经验分享： 主要用到了 runway 的笔刷，即梦的前后帧，Pixverse、pika 等。主要说三个本次用到的转场画面： 1. 360 人物环绕：在主角的梦境破碎，从年轻变老的这一段，先用 MJ 做一组不同角度的人物站立图，然后通过 comfyui 的首尾帧进行视频制作。 2. 母亲的影子：参考节气图的思路，在 SDXL 工作流中加入了两个 controlnet，先在 base 里控制构图，再在 refiner 里控制母亲在画面中的强度。 3. 上帝之手：先出一张伸手的图，然后用 runway 跑相互接近，转视频序列帧后在 comfyui 里用 controlnet 控制构图，按顺序自动出图跑一晚上，最后再剪辑序列帧。 WTF 的图片转视频方法： 图片搞定之后，可以拖到 runway 里面去图生 4s 视频。进入 runway 官网首页，点击 start with image，然后直接将图片拖进来。动画幅度尽量用 3，5 有时候会乱跑。啥都不用改，直接点击生成即可。注意：不需要等进度条转完，可以直接继续往里放图片，可以同步执行。直接点删除，然后重新上传下面的图即可（最多可以放几个没数，大家可以自行测试）。重复步骤即可生成所有视频。（runway 是收费的，大家也可以找一下有没有免费的，可以去闲鱼或者淘宝买号）
2025-04-01
手绘草图生成图片
以下是关于手绘草图生成图片的相关信息： ComfyUI Flux 与 runway 制作绘画视频： 生成图片：提示词告诉 flux 生成一张技术草图，如 CAD。 绘制的视频：在 runway 里面，使用提示词，从空白页面开始逐行创建，并把生成的图片作为尾帧。 草图上色：使用 flux 的 controlNet，depth 固定，Union 版本不建议权重调太高，结束时间也不宜过长。 生成上色后的视频： how2draw Flux lora：分享一个好玩的 flux lora，触发词为 how2draw。 图片生成 3D 建模工具： Tripo AI：在线 3D 建模平台，能利用文本或图像在几秒钟内生成高质量且可立即使用的 3D 模型。 Meshy：功能全面，支持文本、图片生成 3D 以及 AI 材质生成。 CSM AI：支持从视频和图像创建 3D 模型，Realtime Sketch to 3D 功能支持通过手绘草图实时设计 3D 形象。 Sudo AI：支持通过文本和图像生成 3D 模型，适用于游戏领域。 VoxCraft：免费 3D 模型生成工具，能将图像或文本快速转换成 3D 模型。 【SD】真人转二次元： 使用 Stable Diffusion 中的【X/Y/Z plot】脚本做参数对比，X 轴为提示词相关性（130，每次增加 5），Y 轴为重绘幅度（01，每次增加 0.2）。 提示词相关性在 6—11 中间为最佳，大于 11 后画面色彩和脸型可能崩坏，重绘幅度大小可控制生成图与原图的相似度。 绘图功能：如增加红色眼镜、去掉衣服图案、局部重绘（手涂蒙版）修改部分等。
2025-04-01
如何让图片动起来
以下是让图片动起来的几种方法： 1. 使用即梦进行图生视频：只需上传图片至视频生成模块，提示词简单描绘画面中的动态内容即可生成时长为 3 秒钟的画面。运镜类型可根据剧本中的镜头描绘设置，主要设置以随机运镜为主。生成速度可根据视频节奏选择，如选择慢速。 2. 使用 Camera Motion： 上传图片：点击“Add Image”上传图片。 输入提示词：在“Prompt”中输入提示词。 设置运镜方向：选择您想要的运镜方向，并输入相应的运镜值。 设置运动幅度：运动幅度和画面主体运动幅度有关，与运镜大小无关，可以设置成您想要的任意值。 其它设置：选择好种子（seed），是否高清（HD Quality），是否去除水印（Remove Watermark）。 生成视频：点击“create”，生成视频。 3. 对于复杂的图片，如多人多活动的图： 图片分模块：把长图分多个模块。 抠出背景图：对于复杂部分的图，用智能抠图工具把要动的内容去除掉，用 AI 生成图片部分。 绿幕处理前景图：将要拿来动起来的部分抠出，放在绿幕背景里或者画的背景颜色，导出图片。 前景图动态生成视频：用 AI 视频生成工具（如即梦、海螺、混元等）写入提示词让图片动起来，不停尝试抽卡。 生成视频去掉背景：用剪映把抽卡合格的视频放在去掉内容的背景图片，视频的背景用色度抠图调整去掉。多个视频放在背景图片，一起动即可。
2025-04-01
图片生成提示语模板
以下是为您提供的图片生成提示语模板： 艺术字生成： 模型选择图片 2.1，输入提示词（可以直接参考案例提示词）。 案例参考： 金色立体书法，“立冬”，字体上覆盖着积雪，雪山背景，冬季场景，冰雪覆盖，枯树点缀，柔和光影，梦幻意境，温暖与寒冷对比，静谧氛围，传统文化，唯美中国风。 巨大的春联，金色的书法字体，线条流畅，艺术美感，“万事如意”。 巨大的字体，书法字体，线条流畅，艺术美感，“书法”二字突出，沉稳，大气，背景是水墨画。 巨大的奶白色字体“柔软”，字体使用毛绒材质，立在厚厚的毛绒面料上，背景是蓝天。 “城市狂想”图片制作： 生成了三条提示词： 远景，三分法构图，俯视视角，数字绘画，云雾缭绕的山谷，群山连绵起伏，山谷间云雾缭绕，阳光透过云层洒在山间，形成光与影的对比，模拟观众的视线逐渐接近这片土地，新印象派风格特征，使用数字画笔和渐变工具ar 16:9v 6.1。 远景，中心对称构图，俯视视角，摄影风格，云雾中的山谷，山峦在云雾中若隐若现，山谷中隐约可见的河流蜿蜒流淌，云雾的流动感和山的静态形成对比，现实主义风格特征，使用长焦镜头和景深控制技术ar 3:2v 6.1。 远景，对角线构图，俯视视角，水墨画风格，云雾缭绕的山谷，山峦线条流畅，云雾以墨色深浅表现，山谷中的云雾仿佛在流动，给人以动态的视觉感受，中国山水画风格特征，使用毛笔和水墨渲染技术ar 2:3v 6.1。 为大家直接生成了 1 组共 12 段提示词，可直接使用。使用时注意，如果是其他平台的工具请复制后删除包含“”以后的部分。 Tusiart 简易上手教程（文生图）： 定主题：确定需要生成的图片的主题、风格和表达的信息。 选择基础模型 Checkpoint：根据主题选择内容贴近的模型，如麦橘、墨幽的系列模型。 选择 lora：寻找内容重叠的 lora 以控制图片效果及质量。 ControlNet：控制图片中特定的图像，如人物姿态、特定文字、艺术化二维码等。 局部重绘：下篇再教。 设置 VAE：无脑选择 840000 这个即可。 Prompt 提示词：用英文写想要 AI 生成的内容，使用单词和短语的组合，用英文半角逗号隔开。 负向提示词 Negative Prompt：用英文写想要 AI 避免产生的内容，单词和短语组合，用英文半角逗号隔开。 采样算法：一般选 DPM++2M Karras，也可参考模型作者推荐的采样器。 采样次数：选 DPM++2M Karras 时，采样次数在 30 40 之间。 尺寸：根据喜好和需求选择。
2025-04-01
图片去水印
以下是一些关于图片去水印的工具和方法： 1. AVAide Watermark Remover：这是一个在线工具，使用 AI 技术去除图片水印。支持多种图片格式，如 JPG、JPEG、PNG、GIF 等。操作简单，上传图片，选择水印区域，保存并下载处理后的图片，还提供去除文本、对象、人物、日期和贴纸等功能。 2. Vmake：提供 AI 去除图片水印功能，可上传最多 10 张图片，AI 自动检测并移除水印，处理完成后可保存生成的文件，适合需快速去水印并在社交媒体分享图片的用户。 3. AI 改图神器：提供 AI 智能图片修复去水印功能，可一键去除图片中的多余物体、人物或水印，不留痕迹。支持直接粘贴图像或上传手机图像，操作简便。 4. 除了上述专门的去水印工具，对于特定的图片处理需求，如去掉上图右手的手串，还可以使用以下工具： PS 的 AI 版：操作简单。 SD 局部重绘。 Firefly、Canva、Google photo 都有局部重绘功能。 微软 Designer 免费。 还可以使用工具 https://clipdrop.co/cleanup 。 这些工具各有特点，您可以根据具体需求选择最适合的去水印工具。请注意，内容由 AI 大模型生成，请仔细甄别。
2025-03-31