2. Linux.do
  3. 基于Gemini的多模态做了两个有意思的功能

基于Gemini的多模态做了两个有意思的功能

Mozi 2026-08-29 12:38 1




视频导航功能，直接将视频拖入聊天框中，就能AI大模型读视频给出定位




PDF定位功能，问一句话就可以分析PDF的内容，并找出对应的页码标注位置

这个功能其实很久以前就做了，但是我现在把它合并到我的聊天工具中


最新回复 (10)
  • lueluelue 08-29 12:39
    1楼

    视频最长支持多长呀？Gemini还是支持2小时视频吗

  • buzz 08-29 12:40
    2楼

    我还以为是OSINT定位确定图片拍摄所在的IP地址，吓死了 ^-^

  • Mozi 楼主 08-29 12:45
    3楼

    单个文件限制2GB，时间没有具体限制，主要是限制Token数量，Token数量和帧率的参数有关系

  • vextuber 08-29 12:45
    4楼

    佬用的聊天工具是什么项目？开源了吗？

  • Mozi 楼主 08-29 12:47
    5楼

    本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

    我的帖子已经打上 开源推广 标签： 是
    我的开源项目完整开源，无未开源部分： 是
    我的开源项目已链接认可 LINUX DO 社区： 是
    我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
    以上选择我承诺是永久有效的，接受社区和佬友监督： 是

    以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

    …

    https://linux.do/t/topic/1371269

  • Z 08-29 12:47
    6楼

    好久没用美国豆包了，听说现在改的很强了不知真假

  • Mozi 楼主 08-29 12:59
    7楼

    很久以前我就想做基于 Gemini 的剪辑工具，只是工作量大，所以一直懒得开动

  • Mozi 楼主 08-29 13:10
    8楼




    不能定位IP地址，但根据图片定位地图坐标，这个功能是有的

  • hui 08-29 13:21
    9楼

    拖长视频进去它往往只啃前两分钟就截断

  • Mozi 楼主 08-29 13:25
    10楼

    我拖了一个长视频，十多分钟的视频进去，可以精准读出画面内容

* 帖子来源Linux.do
附近帖子
返回
飞读
随机推荐