[开源推荐] Qwen-MM-Plugins 千问团队开源的「原生多模态插件集」，把"读图 / 读视频 / 读文档 / 听音 / 建模"等视觉与多模态能力，以 MCP 形式注入任意 Agent h...
千问团队开源多模态插件集Qwen-MM-Plugins，以MCP形式将视觉、视频、音频等能力注入Agent，使纯文本Agent获得多模态能力。
千问团队开源了Qwen-MM-Plugins多模态插件集，以MCP形式将视觉、视频、音频、3D建模等能力注入智能体框架，使纯文本智能体获得多模态能力。该项目采用Skill+MCP双层解耦，提供七大能力模块，包括视觉基础、长视频记忆、音视频理解、生成剪辑、3D建模、CAD和讲题视频生成，降低了多模态智能体的开发门槛。 核心观点： 1. 项目采用Skill+MCP双层解耦，Skill是模型侧提示词资产，MCP server是工具本体，进程隔离依赖隔离。 2. 长视频记忆模块支持2小时级超长视频问答，首次提问自动构建层次化图记忆与语义检索。 3. 提供七大能力模块，覆盖视觉基础、音视频理解、生成剪辑、3D建模、CAD等，可灵活组合。
推荐理由常规版本更新，跟进即可
多模态MCP智能体视觉理解
67/100查看详情