#multimodal Repositorios
183 repositorios en total
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.
Página del proyecto para "Seg-Zero: Segmentación guiada por cadena de razonamiento mediante refuerzo cognitivo"
Hunyuan3D-Omni: Un marco unificado para la generación controlada de activos 3D
👁️ + 💬 + 🎧 = 🤖 Lista curada de los mejores modelos fundacionales y multimodales. [Paper + Código + Ejemplos + Tutoriales]
Este repositorio proporciona programas para construir código de Generación Aumentada por Recuperación (RAG) para IA Generativa con LlamaIndex, Deep Lake y Pinecone, aprovechando el poder de los modelos de OpenAI y Hugging Face para la generación y evaluación.
Implementación oficial para "Blended Latent Diffusion" [SIGGRAPH 2023]
RAI es un marco agente agnóstico de proveedores para robótica de IA Física, que utiliza herramientas de ROS 2 para realizar acciones complejas, escenarios definidos, ejecución de interfaz libre, resúmenes de registros, interacción por voz y más.
Este repositorio contiene el código de evaluación para el artículo "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI"
Dota a los agentes de IA de ojos, oídos y resultados verificables. Watch Skill convierte el vídeo, el audio y la actividad de pantalla en pruebas con marcas de tiempo y fáciles de buscar, y demuestra el trabajo mediante contratos deterministas, no opiniones del modelo. DeepWatch es el espacio de trabajo para agentes basado en DeepSeek Harness. Python + npm, MCP, CLI, REST y Web.
Crea automatización del navegador como si estuvieras enseñando a un humano usando GPT-4 Vision.
Guion gráfico con reconocimiento de escenas para DeepSeek Harness: de 9 a 16 celdas numeradas con marcas de tiempo + transcripción + envolvente de audio, todo en UNA sola imagen (384 tokens). Dos herramientas: video_storyboard y video_zoom.
[ECCV2024] Modelo de Lenguaje Grande Multimodal Fundamentado con Tokenización Visual Localizada
Implementación oficial de "Blended Diffusion para la edición de imágenes naturales impulsada por texto" [CVPR 2022]
LLaVA-Mini es un modelo multimodal grande y unificado (LMM) que puede admitir la comprensión de imágenes, imágenes de alta resolución y videos de manera eficiente.
El Sistema de Auto-Codificación para tu App — Alan AI SDK para React Native
Agente de escritorio multimodal en tiempo real que evoluciona hacia una interfaz persistente de sistema operativo con IA (0.17 α).
Flame es un sistema de IA multimodal de código abierto diseñado para traducir maquetas de diseño de UI en código React de alta calidad. Aprovecha el modelado de visión y lenguaje, la síntesis de datos automatizada y los flujos de trabajo de entrenamiento estructurados para cerrar la brecha entre el diseño y el desarrollo front-end.
Código oficial de OpenVLHarness: uso de herramientas por agentes visuales en el mundo real con memoria multimodal
Un centro para varios esquemas específicos de la industria para usar con VLMs.
Modelado multimodal impresionante [Cubre MLLM, UMM y NMM]
Implementación oficial para "Break-A-Scene: Extracting Multiple Concepts from a Single Image" [SIGGRAPH Asia 2023]
Código oficial de «EVF-SAM: Fusión temprana visión-lenguaje para el modelo Segment Anything con prompt de texto»