#multimodal-ai Dépôts
191 dépôts au total
[🚀 ICLR 2026 Oral] NextStep-1 : Génération d'images Autogressive de pointe avec des jetons continus. Un projet de recherche développé par l'équipe d'Intelligence Multimodale de StepFun.
Scraping de données Twitter, recherche d'images basée sur l'intégration et plus encore.
Ming - facilitant les capacités avancées de compréhension et de génération multimodales construites sur le Ling LLM.
Agentic ADK est un framework de développement d'applications d'agents lancé par Alibaba International AI Business, basé sur Google-ADK et Ali-LangEngine.
Assistance locale Ollama et GPT de type OpenAI pour une confidentialité maximale et un accès hors ligne
[CVPR 2024] Panda-70M : Légender 70 millions de vidéos avec de multiples professeurs cross-modalité
Framework open source pour le développement d'agents d'IA conversationnels multimodaux en temps réel.
Une collection organisée d'articles de recherche explorant l'utilisation des LLM pour des tâches liées aux graphes.
ComfyUI Lumi Batcher est un plugin d'extension de traitement par lots conçu pour ComfyUI, visant à améliorer l'efficacité du débogage des flux de travail. Les méthodes de débogage traditionnelles nécessitent d'ajuster les paramètres un par un, tandis que cet outil améliore considérablement l'efficacité du travail grâce à ses capacités de traitement par lots.
Implémentation officielle de "Lumina-mGPT: Illuminez la génération photoréaliste flexible de texte à image avec un pré-entraînement génératif multimodal"
Nœuds ComfyUI pour Janus-Pro, un framework unifié de compréhension et de génération multimodale.
Nous collectons des articles sur les « grands modèles linguistiques (LLM) pour les tâches liées aux tableaux », par exemple, l'utilisation de LLM pour la tâche Table QA. Collecte d'articles sur « Table + LLM »
Discutez avec vos documents à l'aide de modèles de langage visuels. Ce dépôt met en œuvre un pipeline RAG de bout en bout avec des VLM locaux et propriétaires.
(Highlight CVPR 2025✨) Dépôt officiel du papier "LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models"
Implémentation officielle du code de Vary-toy (Small Language Model rencontre Reinforced Vision Vocabulary)
Une nouvelle méthode d'interaction humaine pour l'extraction de la parole en temps réel sur des écouteurs.
Dépôt officiel pour « Glyph : Mise à l'échelle des fenêtres de contexte via la compression visuelle et textuelle »
Framework qui permet le réglage fin des modèles d'ancrage vision-langage sur des ensembles de données personnalisés
Transformer le service web de Claude en un service API, prenant en charge la reconnaissance d'images, le téléversement de fichiers, la sortie de réflexion...
Codage d'un modèle linguistique multimodal (Vision) à partir de zéro dans PyTorch avec explication complète : https://www.youtube.com/watch?v=vAmKB7iPkWw
Implémentations officielles de "Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models" [NeurIPS 2023]