返回全部题目← 上一题21 / 26下一题 →题库/Agent 原理与系统/Q-4841多模态 Agent 如何衔接输入感知、推理决策与多模态输出？知识专题：GUI、Computer Use 与多模态 Agent题目类型：原理机制技术难度：进阶收录题集：5 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集5 份多模态与计算机视觉阿东玩 AI · AgentGuide · 2 条原题查看题集 →【多模态对话系统】请设计一个多模态对话系统，说明其核心算法和流程？ 「字节跳动」【多模态视频分析应用】多模态视频分析应用：比如通过“物流视频+文本日志”分析分拣错误原因，效果如何？请讨论。 「京东」Agent 与自主系统AMIT SHEKHAR · ai-engineering-interview-questions · 1 条原题查看题集 →How do you handle multi-modal inputs and outputs in agentic systems?多模态 AIAMIT SHEKHAR · ai-engineering-interview-questions · 2 条原题查看题集 →How do you build a system that processes both images and text?What are the challenges of real-time multi-modal AI processing?Qwen-VL系列模型核心考点Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →如果设计一个基于 Qwen3.5 的企业级多模态 Copilot（比如能看 PDF、看报表、看界面截图，还能写代码、查文档），会怎么搭架构？怎么用好它的多模态和 Agent 能力？大语言模型Datawhale · daily-interview · 1 条原题查看题集 →现有一个能力较弱的多模态模型和一个能力较强的文本模型（如 DeepSeek-R1），如何结合两者的能力来回答与多模态相关的问题？相关题目4 题0182如何设计家庭安防 Agent，融合异步视频、声音和传感器，支持分级响应与自然语言规则？同一知识专题题目类型：方案设计技术难度：深入相关面经：1 篇0257基于坐标与基于元素的 GUI 动作空间各有什么问题？同一知识专题题目类型：比较选型技术难度：进阶相关面经：1 篇0258为什么 GUI Agent 离线动作准确率高，闭环任务成功率仍可能很低？同一知识专题题目类型：效果评估技术难度：进阶相关面经：1 篇0261GUI 图标语义无法区分时，为什么增加截图数据未必有效？同一知识专题题目类型：故障排查技术难度：进阶相关面经：2 篇♥♥♥♥♥← 上一题已到最后一题← 上一题LLM 如何赋能机器人和具身智能，会带来哪些挑战？下一题 →Browser Agent 如何观察网页、定位元素并执行浏览器任务？
