#multimodal Dépôts
183 dépôts au total
AI Manus est un système d’agent IA à usage général qui permet d’exécuter divers outils et opérations dans un environnement sandbox.
AI Manus est un système d’agents d’IA à usage général qui permet d’exécuter divers outils et opérations dans un environnement sandbox.
AI Manus est un système d’agent d’IA à usage général qui permet d’exécuter divers outils et opérations dans un environnement sandbox.
Page du projet pour "Seg-Zero : Segmentation guidée par chaîne de raisonnement grâce au renforcement cognitif"
Hunyuan3D-Omni: Un cadre unifié pour la génération contrôlable d'actifs 3D
👁️ + 💬 + 🎧 = 🤖 Liste organisée des meilleurs modèles fondamentaux et multimodaux ! [Paper + Code + Exemples + Tutoriels]
Ce dépôt fournit des programmes pour construire du code de Génération Augmentée par Récupération (RAG) pour l'IA Générative avec LlamaIndex, Deep Lake et Pinecone, exploitant la puissance des modèles OpenAI et Hugging Face pour la génération et l'évaluation.
Implémentation officielle pour "Blended Latent Diffusion" [SIGGRAPH 2023]
RAI est un cadre agentique indépendant des fournisseurs pour la robotique IA Physique, utilisant les outils ROS 2 pour effectuer des actions complexes, des scénarios définis, une exécution d'interface libre, des résumés de journaux, une interaction vocale et plus encore.
Ce dépôt contient le code d'évaluation pour l'article « MMMU : Une référence massive multidisciplinaire multimodale pour la compréhension et le raisonnement destinée à l'expert AGI »
Donnez aux agents d’IA des yeux, des oreilles et des résultats vérifiables. Watch Skill transforme les vidéos, l’audio et l’activité à l’écran en preuves horodatées et consultables, et atteste le travail à l’aide de contrats déterministes, et non des avis du modèle. DeepWatch est l’espace de travail pour agents conçu sur DeepSeek Harness. Python + npm, MCP, CLI, REST et Web.
Un agent IA multimodal MCP avec des yeux et des oreilles !
Créez une automatisation de navigateur comme si vous enseigniez à un humain à l'aide de GPT-4 Vision.
Storyboard sensible aux scènes pour DeepSeek Harness : de 9 à 16 cases numérotées avec horodatages + transcription + enveloppe audio, réunies dans UNE seule image (384 tokens). Deux outils : video_storyboard et video_zoom.
[ECCV2024] Grand modèle linguistique multimodal fondé avec tokenisation visuelle localisée
Implémentation officielle pour "Blended Diffusion pour l'édition d'images naturelles pilotée par le texte" [CVPR 2022]
LLaVA-Mini est un grand modèle multimodal (LMM) unifié qui peut prendre en charge la compréhension des images, des images haute résolution et des vidéos de manière efficace.
Le Système d'Auto-Codage pour Votre App — Alan AI SDK pour React Native
Agent de bureau multimodal en temps réel évoluant vers une interface persistante de système d’exploitation IA (0.17 α).
Flame est un système d'IA multimodal open-source conçu pour traduire des maquettes de conception d'interface utilisateur en code React de haute qualité. Il exploite la modélisation vision-langage, la synthèse de données automatisée et les flux de travail d'entraînement structurés pour combler le fossé entre la conception et le développement front-end.
Code officiel d’OpenVLHarness : utilisation d’outils par des agents visuels dans le monde réel avec mémoire multimodale
Une plaque tournante pour divers schémas spécifiques à l'industrie à utiliser avec les VLM.
Modélisation multimodale impressionnante [Couvre MLLM, UMM et NMM]
Implémentation officielle pour "Break-A-Scene: Extracting Multiple Concepts from a Single Image" [SIGGRAPH Asia 2023]
Code officiel de « EVF-SAM : Fusion précoce vision-langage pour le modèle Segment Anything guidé par texte »