#multimodal-ai Repositories
Insgesamt 191 Repositories
Dieses Repository ist die erste umfassende Übersicht über Metas AI Segment Anything Model (SAM).
Das Google Gen AI Go SDK bietet Entwicklern eine Schnittstelle, um die generativen Modelle von Google in ihre Go-Anwendungen zu integrieren.
Kimi-VL: Mixture-of-Experts Vision-Language Model für multimodales Schlussfolgern, Langkontext-Verständnis und starke Agentenfähigkeiten
so etwas wie Visual-ChatGPT, die Open-Source-Version von Wenxin Yiyan
Eine Open-Source multimodale AIGC-Lösung basierend auf ComfyUI + MCP + LLM https://pixelle.ai
KI-Agent, der GPT-4V(ision) verwendet und mit Maus/Tastatur zur Interaktion mit der Weboberfläche fähig ist
[NeurIPS'23 Spotlight] "Mind2Web: Towards a Generalist Agent for the Web" -- der erste LLM-basierte Web-Agent und Benchmark für Generalisten-Web-Agenten
Das offizielle Starter-Kit für den Nano Banana Hackathon. Klonen Sie dieses Repository, um schnell mit dem Bau zu beginnen!
[TPAMI 2026] ConsistentID: Porträtgenerierung mit multimodaler feingranularer Identitätserhaltung
Xiaoyao Search: Versteht deine Worte, liest deine Bilder und findet mit KI alle lokalen Dateien. Den Suchprozess vereinfacht es bis zum einfachen Chatten.
Ein Muster für einen stets eingeschalteten KI-Assistenten, der von Deepseek-V3, RealtimeSTT und Typer für Engineering angetrieben wird
Ressourcen, Beispiele und Tutorials für multimodale KI, RAG und Agenten mit Vektorsuche und LLMs
Stellen Sie eine Gemini-multimodale Chat-Website in 10 Sekunden bereit, Serverless! Sie benötigen lediglich einen Gemini API Key, um in 10 Sekunden eine Website für Gemini-multimodale Konversationen bereitzustellen.
Inferenzcode für das Paper "Spirit-LM Interleaved Spoken and Written Language Model".
SEED-Story: Multimodale Langgeschichtengenerierung mit Large Language Model
Aktuelle LLM-basierte CV- und verwandte Arbeiten. Kommentare/Beiträge sind willkommen!
[NeurIPS 2023] Offizielle Implementierung des Papers "Motion-X: A Large-scale 3D Expressive Whole-body Human Motion Dataset"
MiniGPT-4 Chinesische Bereitstellung Übersetzung Verfeinerung der Bereitstellungsdetails
Erweitern Sie OpenRLHF, um das LMM-RL-Training zur Reproduktion von DeepSeek-R1 bei multimodalen Aufgaben zu unterstützen.
[Erweiterte Version ICLR 2025 Blog Track] Anole: Offene, autoregressive und native multimodale Modelle für interleavierte Bild-Text-Generierung
Offizielle Algorithmenimplementierung des ICML'23-Papers "VIMA: Allgemeine Roboter-Manipulation mit multimodalen Prompts"
Eine 11B-Modellreihe mit offenen Gewichten zum Verstehen von Langform- und Echtzeitvideos
Offizielle Implementierung von UnifiedReward & [NeurIPS 2025] UnifiedReward-Think & UnifiedReward-Flex
Cosmos-Transfer1 ist ein Welt-zu-Welt-Transfermodell, das entwickelt wurde, um die Wahrnehmungslücke zwischen simulierten und realen Umgebungen zu schließen.
[Wartung eingestellt] LLM API Aggregations-Konversationstool. Ursprüngliches Projekt-Repository: https://github.com/KouriChat/KouriChat Dieses Projekt wurde von iwyxdxl auf Basis des ursprünglichen Projekts angepasst und erstellt. Nur zur Lernzwecken; bitte halten Sie sich an die Bestimmungen, verbinden Sie es nicht mit öffentlichen Plattformen oder nutzen Sie es nicht in Produktionsaktivitäten.
💬 Ein Vorschlag für eine Web-API zur Ansteuerung von sprachmodellen, die vom Browser bereitgestellt werden
DataComp: Auf der Suche nach der nächsten Generation multimodaler Datensätze
MM-EUREKA: Erkundung der Grenzen multimodaler Schlussfolgerung mit regelbasierter Verstärkungslernen
[Offizielles Repository] Visual Mamba: Eine Übersicht und neue Ausblicke
[ICCV 2023] Offizielle Implementierung des Papiers "A Simple Framework for Open-Vocabulary Segmentation and Detection"
Die von [ComfyUI Layer Style](https://github.com/chflame163/ComfyUI_LayerStyle) gelösten Knoten sind hauptsächlich diejenigen mit komplexen Anforderungen an Abhängigkeitspakete.
Eine Sammlung großartiger benutzerdefinierter Knoten für ComfyUI