#multimodal Repositorios
183 repositorios en total
El conjunto de datos WIT (Wikipedia-based Image Text) es un gran conjunto de datos multimodales y multilingües que comprende más de 37 millones de conjuntos de imagen-texto con más de 11 millones de imágenes únicas en más de 100 idiomas.
[ICLR'24 spotlight] Serie de Grandes Modelos Multimodales Chino e Inglés (Chat y Pintura) | Serie de Grandes Modelos Multimodales Bilingües Chino-Inglés Basada en el Modelo Base CPM
[Candidato al Mejor Artículo ECCV 2024 y TPAMI 2025] PointLLM: Potenciando los Grandes Modelos de Lenguaje para Comprender Nubes de Puntos
Un modelo de representación general a través de modalidades de visión, audio y lenguaje. Artículo: ONE-PEACE: Explorando un modelo de representación general hacia modalidades ilimitadas
🩺 El primer modelo médico multimodal chino capaz de resumir radiografías de tórax.
Plataforma de flujos de trabajo de IA generativa de nivel empresarial, intuitiva para agentes y personas y centrada en las modalidades
Razonamiento multimodal en cadena de pensamiento: una encuesta completa
Una implementación oficial para "CLIP4Clip: Un estudio empírico de CLIP para la recuperación de videoclips de extremo a extremo"
Recursos, ejemplos y tutoriales para IA multimodal, RAG y agentes que utilizan búsqueda vectorial y LLMs
Modelos abiertos de decisión multimodal, de 0,8B a 27B, para texto, imágenes y vídeo. Decide asignando probabilidades a tus propios candidatos y localiza con cuadros delimitadores, en lugar de generar texto. API gratuita, ONNX, GGUF, vLLM y SGLang; incluye código de ajuste fino.
Serie NEO: Modelos nativos de visión-lenguaje desde los primeros principios
⚡ Solucionador de CAPTCHA autoalojable compatible con YesCaptcha, construido con FastAPI, Playwright y modelos multimodales compatibles con OpenAI.
Acerca de Este repositorio es una colección curada de los artículos más emocionantes e influyentes de CVPR 2025. 🔥 [Paper + Code + Demo]
Un modelo de lenguaje multimodal unificado basado en el modelado de secuencias discretas
Monitoreo local + visión IA — Marco de monitoreo IA impulsado por smartphone basado en LAN con salida de eventos estructurados para adquisición y análisis de datos.
Halo es un marco de código abierto desarrollado por White Circle para entrenar modelos de lenguaje de gran tamaño y modelos multimodales
Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real
Un motor de entrenamiento de modelos multimodales simple y unificado. Ligero, flexible y diseñado para la experimentación a gran escala.
Un complemento local para chats con muchas imágenes en Codex, Claude Code y otros agentes de IA: las imágenes anteriores se sustituyen por breves marcadores de posición en lugar de enviarse con cada mensaje, el modelo recupera el original mediante su ID (también después de la compactación) y la caché de prompts sigue funcionando.
[TMLR 2025🔥] Una encuesta sobre modelos autorregresivos en visión.
Lista de artículos sobre modelos multimodales y de lenguaje grandes, utilizada solo para registrar artículos que leo en el arxiv diario para necesidades personales.
Paddle Multimodal Integration and eXploration, compatible con tareas multimodales convencionales, incluidos modelos de preentrenamiento multimodales a gran escala de extremo a extremo y caja de herramientas de modelos de difusión. Equipado con alto rendimiento y flexibilidad.
Un modelo de código abierto para comprender el habla, los sonidos ambientales y la música mediante la generación de subtítulos, preguntas y respuestas, y razonamiento
Una caja de herramientas para recomendaciones multimodales. Integrando más de 10 modelos...
Este repositorio contiene el código de "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] y "MMEB-V3" [COLM 2026]
[ECCV 2024] InstructIR: Restauración de imágenes de alta calidad siguiendo instrucciones humanas https://huggingface.co/spaces/marcosv/InstructIR
Second Brain es un marco agentivo que actúa como un sistema operativo, utilizando inteligencia de archivos locales, automatización de flujos de trabajo y LLMs para completar tareas y comunicarse a través de múltiples modalidades y plataformas de mensajería.
Un Agent Skill universal para tarjetas holográficas: compatible con cualquier plataforma y modelo multimodal. Convierte una sola frase en una página web de tarjetas 3D que puedes arrastrar y girar, con luz fluida y profundidad por capas; incluye un proyecto de Blender editable.
Un motor nativo de inferencia de modelos de lenguaje grande (LLM) y un entorno de ejecución de agentes .NET para modelos GGUF. TensorSharp ofrece una aplicación de consola, una interfaz de chatbot basada en la web, una aplicación para iPhone y API HTTP compatibles con Ollama/OpenAI para el acceso mediante programación. Es compatible con Windows, macOS, iOS y Linux, con capacidades completas de GPU.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
Un motor de aprendizaje por refuerzo asíncrono para post-entrenamiento omnimodal a gran escala
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
✨✨Últimos Artículos y Benchmarks en Razonamiento con Modelos Fundacionales
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agentes de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.
AI Manus es un sistema de agente de IA de propósito general que permite ejecutar diversas herramientas y operaciones en un entorno aislado.