#multimodal-ai Dépôts
191 dépôts au total
Ce dépôt est la première enquête complète sur le modèle Segment Anything (SAM) de Meta AI.
Le SDK Google Gen AI Go fournit une interface aux développeurs pour intégrer les modèles génératifs de Google dans leurs applications Go.
Kimi-VL : Modèle Vision-Langage Mixture-of-Experts pour le Raisonnement Multimodal, la Compréhension du Long Contexte et de Fortes Capacités d'Agent
quelque chose comme Visual-ChatGPT, la version open-source de Wenyiyan
Code pour 3D-LLM : Injection du monde 3D dans les grands modèles linguistiques
Une solution AIGC multimodale open-source basée sur ComfyUI + MCP + LLM https://pixelle.ai
MiMo-Audio : Les modèles de langage audio sont des apprenants à quelques exemples
attaques de mise à l'échelle d'images pour l'injection de prompts multimodaux
Agent IA utilisant GPT-4V(ision) capable d'utiliser la souris/le clavier pour interagir avec l'interface utilisateur web
[NeurIPS'23 Spotlight] "Mind2Web: Towards a Generalist Agent for the Web" -- le premier agent web basé sur LLM et benchmark pour les agents web généralistes
Le kit de démarrage officiel du Nano Banana Hackathon. Clonez ce dépôt pour commencer à construire rapidement !
[TPAMI 2026] ConsistentID : Génération de portraits avec préservation d'identité fine granulaire multimodale
Xiaoyao Search : comprend vos paroles, lit vos images et trouve n’importe quel fichier local grâce à l’IA, rendant la recherche aussi simple qu’une conversation.
Un modèle pour un assistant IA toujours actif alimenté par Deepseek-V3, RealtimeSTT et Typer pour l'ingénierie
Ressources, exemples et tutoriels pour l'IA multimodale, RAG et agents utilisant la recherche vectorielle et les LLM
Déployez un site Web de chat multimodal Gemini en 10 secondes, sans serveur ! Il vous suffit de préparer une clé API Gemini, et en 10 secondes, vous pourrez déployer un site Web pour la conversation multimodale Gemini.
Code d'inférence pour l'article "Spirit-LM Interleaved Spoken and Written Language Model".
SEED-Story : Génération d'histoires longues multimodales avec un grand modèle linguistique
Travaux récents basés sur les LLM en vision par ordinateur et connexes. Bienvenue pour commenter/contribuer !
[NeurIPS 2023] Implémentation officielle du papier "Motion-X: A Large-scale 3D Expressive Whole-body Human Motion Dataset"
MiniGPT-4 Déploiement chinois Traduction Affiner les détails de déploiement
Le plus grand dépôt GitHub au monde pour les LLM + Robotique
Étendre OpenRLHF pour prendre en charge l'entraînement LMM RL pour la reproduction de DeepSeek-R1 sur des tâches multimodales.
[Version étendue ICLR 2025 Blog Track] Anole : Modèles multimodaux ouverts, autorégressifs et natifs pour la génération d'images-textes entrelacés
Implémentation officielle de l'algorithme du papier ICML'23 "VIMA : Manipulation Robotique Générale avec des Invites Multimodales"
Une série de modèles de 11B à poids ouverts pour la compréhension de vidéos longues et en temps réel
Implémentation officielle de UnifiedReward et [NeurIPS 2025] UnifiedReward-Think et UnifiedReward-Flex
Cosmos-Transfer1 est un modèle de transfert monde à monde conçu pour combler le fossé perceptuel entre les environnements simulés et du monde réel.
[Maintenance arrêtée] Outil de conversation agrégée LLM API. Référentiel du projet original : https://github.com/KouriChat/KouriChat Ce projet a été modifié et créé par iwyxdxl sur la base du projet original. Destiné uniquement à l'apprentissage, veuillez respecter les règles d'utilisation, ne pas connecter à des plateformes publiques ni l'utiliser dans le cadre d'activités de production.
💬 Une proposition d'API web pour le prompt des modèles linguistiques fournis par le navigateur
DataComp : À la recherche de la prochaine génération de jeux de données multimodaux
MM-EUREKA : Explorer les frontières du raisonnement multimodal avec un apprentissage par renforcement basé sur des règles
[Dépôt Officiel] Visual Mamba : Un état de l'art et de nouvelles perspectives
[ICCV 2023] Implémentation officielle du papier "A Simple Framework for Open-Vocabulary Segmentation and Detection"
Les nœuds détachés de [ComfyUI Layer Style](https://github.com/chflame163/ComfyUI_LayerStyle) sont principalement ceux qui ont des exigences complexes en matière de packages de dépendances.
Une collection de nœuds personnalisés impressionnants pour ComfyUI