联系我们
 课程时长 14 小时

课程大纲

Gemini 3多模态简介

  • 文本、图像、音频和视频的处理能力
  • 模型选择与端点概览
  • 多模态推理的关键概念

处理文本和结构化输入

  • 文本生成的提示策略
  • 元数据、上下文窗口和嵌入
  • 基于文本的多模态任务编排

图像理解与视觉工作流

  • 使用Gemini 3进行图像分析和解读
  • 创建视觉搜索和标记工具
  • 构建图像到文本和文本到图像的交互

音频输入处理

  • 语音识别和转录工作流
  • 音频事件检测与解读
  • 将音频与文本和视觉输入集成

视频智能与场景分析

  • 逐帧和连续视频推理
  • 构建摘要和亮点提取工具
  • 基于视频的自动化和内容工作流

设计多模态应用架构

  • 在单一管道中组合多种输入类型
  • 延迟、成本和计算考虑
  • 可扩展多模态系统的最佳实践

原型设计多模态应用

  • 动手创建多模态原型
  • 通过提示工程快速迭代
  • 测试并优化用户体验流程

部署多模态解决方案

  • 部署策略与环境设置
  • 监控实际性能
  • 安全与合规考虑

总结与后续步骤

要求

  • 了解现代AI概念
  • 具备Python或JavaScript经验
  • 熟悉REST API

目标受众

  • 设计师
  • 内容创作者
  • 技术产品团队

客户评论 (1)

即将举行的公开课程

课程分类