#vision-language-models Repositorios
86 repositorios en total
El repositorio proporciona el código asociado al artículo VLFM: Vision-Language Frontier Maps para la navegación semántica de cero disparos (ICRA 2024)
[NeurIPS 2025] 4KAgent: Agentic Any Image to 4K Super-Resolution. ¡Un agente inteligente de visión por computadora que puede restaurar mágicamente cualquier imagen a 4K perfectos!
Una lista de artículos sobre razonamiento espacial
Código oficial para "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
[NeurIPS'25 Spotlight] Repositorio oficial de "Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment"
MM-EUREKA: Explorando las fronteras del razonamiento multimodal con aprendizaje por refuerzo basado en reglas
Una colección y encuesta de vanguardia sobre artículos de modelos de visión-idioma, y repositorio GitHub de modelos. Actualizaciones continuas.
Datos y código para el artículo de NeurIPS 2022 "Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering".
BiomedGPT: Un modelo de fundación generalista de Visión y Lenguaje para diversas tareas biomédicas
[ICCV 2025] Código oficial de "ORION: Un marco holístico de extremo a extremo para conducción autónoma mediante generación de acciones instruida por visión y lenguaje"
EMNLP'22 | MedCLIP: Aprendizaje contrastivo a partir de imágenes y textos médicos no emparejados
ParseBench - Un punto de referencia de análisis de documentos para agentes de IA
Chatea con tus documentos utilizando Modelos de Lenguaje de Visión. Este repositorio implementa un pipeline RAG de extremo a extremo con VLMs locales y propietarios.
[ICLR 2026] ReCogDrive: Un Marco Cognitivo Reforzado para Conducción Autónoma de Extremo a Extremo
Implementación oficial del código de Vary-toy (Small Language Model se encuentra con Reinforced Vision Vocabulary)
Una lista curada de recursos de aprendizaje por refuerzo multimodales (actualizada continuamente)
Repositorio oficial de "Glyph: Scaling Context Windows via Visual-Text Compression"
Framework que permite el ajuste fino de modelos de anclaje de visión y lenguaje en conjuntos de datos personalizados
Una colección de artículos, códigos, conjuntos de datos, puntos de referencia (benchmarks) y recursos sobre razonamiento multimodal.
🌐 Modelos de visión, lenguaje y acción para la conducción autónoma: pasado, presente y futuro
[BIONLP@ACL 2024] XrayGPT: Resumen de radiografías de tórax utilizando modelos médicos de visión y lenguaje.
Aprendizaje por refuerzo con modelos del mundo para agentes VLM de múltiples turnos. Marco de aprendizaje por refuerzo para la visión (NeurIPS 2025).
Implementaciones oficiales de "Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models" [NeurIPS 2023]
Un marco de interacción de aprendizaje por refuerzo humano-multiagente confiable