#vision-language-model Repositorios
82 repositorios en total
[dsh] Un conjunto de herramientas visuales más potente diseñado para modelos de solo texto: instalación y uso con una sola línea, reconocimiento directo al pegar imágenes, preguntas y respuestas sobre varias imágenes, restauración de la UI frontend a partir de capturas de pantalla y mucho más|Integración nativa de DeepSeek Harness para agent-vision-toolkit: preguntas y respuestas sobre imágenes, OCR de capturas de pantalla largas, restauración de UI, grounding, diferencias de píxeles, Artifacts y Web UI.
[CVPR 2024 Highlight🔥] Chat-UniVi: La representación visual unificada potencia los modelos de lenguaje grandes con la comprensión de imágenes y videos
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.
Acerca de Este repositorio es una colección curada de los artículos más emocionantes e influyentes de CVPR 2025. 🔥 [Paper + Code + Demo]
[NeurIPS 2025 Spotlight] OpenCUA: Fundaciones abiertas para agentes de uso de computadora
Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real
🍃 MINT-1T: Un conjunto de datos multimodal entrelazado de un billón de tokens.
Una lista seleccionada de artículos de Visión 3D relacionados con el dominio de la Robótica en la era de los modelos grandes, es decir, LLMs/VLMs, inspirada en awesome-computer-vision, que incluye artículos, códigos y sitios web relacionados
VoxPoser: Mapas de Valor 3D Componibles para Manipulación Robótica con Modelos del Lenguaje
Una lista curada de impresionantes métodos de aprendizaje de indicaciones/adaptadores para modelos de visión y lenguaje como CLIP.
[ICLR 2026] La implementación oficial de "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"
OmniVinci es un LLM omnimodal para la comprensión conjunta de la visión, el audio y el lenguaje.
Hojas de consulta bilingües (chino + inglés) para entrevistas de ML / LLM / difusión / agentes en la campaña de contratación otoñal de IA — generadas por ARIS /interview-cheatsheet y convertidas mediante /render-html en HTML de un solo archivo, legible en cualquier lugar — además de un generador de páginas académicas verificado mediante CV→DBLP y blogs extensos escritos personalmente 🌱
[CVPR 2026] SpatialVID: Un conjunto de datos de video a gran escala con anotaciones espaciales
🎉 PILOT: Una caja de herramientas para el aprendizaje continuo basada en modelos preentrenados
La integración exitosa de la serie Qwen3-VL-Instruct en la plataforma ComfyUI ha permitido un funcionamiento fluido, soportando (pero no limitado a) consultas basadas en texto, consultas de video, consultas de una sola imagen y consultas de múltiples imágenes para generar subtítulos o respuestas.
[ECCV2024] Modelo de Lenguaje Grande Multimodal Fundamentado con Tokenización Visual Localizada
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.
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.
¡Chatbot Arena se une a la multimodalidad! Multi-Modality Arena te permite evaluar modelos de visión-lenguaje lado a lado proporcionando imágenes como entradas. ¡Soporta MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2, y muchos más!
Código y pautas de implementación para el artículo ✨Counting Anything. Página del proyecto: https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] Este repositorio es el recurso oficial, mantenido por la comunidad, para el artículo de revisión: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey;
Aprendizaje por refuerzo con modelos del mundo para agentes VLM de múltiples turnos. Marco de aprendizaje por refuerzo para la visión (NeurIPS 2025).
Una lista completa de excelentes artículos de investigación, modelos, conjuntos de datos y otros recursos sobre modelos Vision‑Language‑Action (VLA) en robótica.