#multimodal-ai Repositorios
191 repositorios en total
Este repositorio es la primera encuesta exhaustiva sobre el Modelo de Segmentación de Nada (SAM) de Meta AI.
El SDK de Google Gen AI Go proporciona una interfaz para que los desarrolladores integren los modelos generativos de Google en sus aplicaciones Go.
Kimi-VL: Modelo Visión-Lenguaje de Mezcla de Expertos para Razonamiento Multimodal, Comprensión de Largo Contexto y Fuertes Capacidades de Agente
algo como Visual-ChatGPT, la versión de código abierto de Wenyiyan
Código para 3D-LLM: Inyectando el mundo 3D en modelos de lenguaje grandes
Una solución AIGC multimodal de código abierto basada en ComfyUI + MCP + LLM https://pixelle.ai
MiMo-Audio: Los modelos de lenguaje de audio son aprendices de pocos ejemplos
ataques de escalado de imágenes para inyección de indicaciones multimodales
Agente de IA que utiliza GPT-4V(ision) capaz de usar mouse/teclado para interactuar con la interfaz de usuario web
[NeurIPS'23 Spotlight] "Mind2Web: Towards a Generalist Agent for the Web" -- el primer agente web basado en LLM y benchmark para agentes web generalistas
El kit de inicio oficial para el Nano Banana Hackathon. ¡Clona este repositorio para empezar a construir rápidamente!
[TPAMI 2026] ConsistentID: Generación de Retratos con Preservación de Identidad Multimodal de Granularidad Fina
Xiaoyao Search: Comprende tus palabras, lee tus imágenes y encuentra cualquier archivo local con IA, haciendo la búsqueda tan sencilla como conversar.
Un patrón para un asistente de IA siempre activo impulsado por Deepseek-V3, RealtimeSTT y Typer para ingeniería
Recursos, ejemplos y tutoriales para IA multimodal, RAG y agentes que utilizan búsqueda vectorial y LLMs
Despliega un sitio web de chat multimodal de Gemini en 10 segundos, ¡sin servidor! Solo necesitas preparar una Gemini API Key y en 10 segundos podrás desplegar un sitio web para el chat multimodal de Gemini.
Código de inferencia para el artículo "Spirit-LM Interleaved Spoken and Written Language Model".
SEED-Story: Generación multimodal de historias largas con modelo de lenguaje grande
Trabajos recientes basados en LLM en CV y relacionados. ¡Bienvenido a comentar/contribuir!
[NeurIPS 2023] Implementación oficial del artículo "Motion-X: A Large-scale 3D Expressive Whole-body Human Motion Dataset"
MiniGPT-4 Despliegue en chino Traducción Perfeccionar los detalles de implementación
El repositorio de GitHub más grande del mundo para LLMs + Robótica
Extender OpenRLHF para admitir el entrenamiento LMM RL para la reproducción de DeepSeek-R1 en tareas multimodales.
[Versión extendida ICLR 2025 Blog Track] Anole: Modelos multimodales abiertos, autoregresivos y nativos para la generación de imagen-texto intercalada
Implementación oficial del algoritmo del artículo ICML'23 "VIMA: Manipulación Robótica General con Indicaciones Multimodales"
Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real
Implementación oficial de UnifiedReward y [NeurIPS 2025] UnifiedReward-Think y UnifiedReward-Flex
Cosmos-Transfer1 es un modelo de transferencia de mundo a mundo diseñado para cerrar la brecha perceptiva entre entornos simulados y del mundo real.
[Parada de mantenimiento] Herramienta de agregación de diálogo LLM API. Repositorio del proyecto original: https://github.com/KouriChat/KouriChat Este proyecto fue modificado y creado por iwyxdxl basándose en el proyecto original. Solo para aprendizaje, respete las normas, no lo integre con plataformas públicas ni lo use en ninguna actividad de producción.
💬 Una propuesta de API web para solicitar modelos de lenguaje proporcionados por el navegador
DataComp: En busca de la próxima generación de conjuntos de datos multimodales
MM-EUREKA: Explorando las fronteras del razonamiento multimodal con aprendizaje por refuerzo basado en reglas
[Repositorio Oficial] Visual Mamba: Una Encuesta y Nuevas Perspectivas
[ICCV 2023] Implementación oficial del artículo "A Simple Framework for Open-Vocabulary Segmentation and Detection"
Los nodos desacoplados de [ComfyUI Layer Style](https://github.com/chflame163/ComfyUI_LayerStyle) son principalmente aquellos con requisitos complejos para los paquetes de dependencia.
Una colección de impresionantes nodos personalizados para ComfyUI