VoiceVision RAG: визуальный поиск по документам с голосовыми ответами
AI Engineer World's Fair 2025
Загружаем страницу…
Как люди взаимодействуют с ИИ за пределами чата: голос, изображения и видео, агенты в браузере, интерфейсы и UX AI-продуктов.
Доклады покрывают голосовых агентов и речь, мультимодальные и генеративные модели, computer use и браузерных агентов, дизайн AI-продуктов. Google DeepMind и OpenAI показывают свои speech-to-speech и мультимодальные модели, разработчики разбирают задержки, перебивания, генеративный UI и MCP Apps.
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
Aleix Conchillo Flaqué, Mark Backman
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
Jost Tobias Springenberg, Quan Vuong
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
AI Engineer World's Fair 2025
Модель, которая работает с несколькими типами данных: текстом, изображениями, звуком, видео. Она может описать картинку, ответить голосом на голос или прочитать скан документа. Большинство передовых моделей сейчас мультимодальные.
Интерфейс, который модель собирает под запрос: ответ приходит в виде формы, таблицы или карточек вместо текста. MCP Apps переносят этот подход в агентов, и MCP-сервер отдаёт агенту готовые элементы интерфейса.