#vision-language-model Dépôts
82 dépôts au total
[dsh] Une boîte à outils visuelle plus puissante conçue pour les modèles texte uniquement : installation et utilisation en une seule ligne, reconnaissance directe des images par collage, questions-réponses sur plusieurs images, restauration de l’interface frontend à partir de captures d’écran, et bien plus encore|Intégration native de DeepSeek Harness pour agent-vision-toolkit : questions-réponses sur les images, OCR de longues captures d’écran, restauration de l’UI, grounding, comparaison pixel par pixel, Artifacts et Web UI.
[CVPR 2024 Highlight🔥] Chat-UniVi : La représentation visuelle unifiée renforce les grands modèles linguistiques avec la compréhension d'images et de vidéos
Modèles ouverts de décision multimodale, de 0,8B à 27B, pour le texte, les images et la vidéo. Prenez des décisions en attribuant des probabilités à vos propres candidats et localisez avec des cadres de délimitation, plutôt que de générer du texte. API gratuite, ONNX, GGUF, vLLM et SGLang ; code de fine-tuning inclus.
À propos Ce dépôt est une collection organisée des articles les plus passionnants et influents de la CVPR 2025. 🔥 [Paper + Code + Demo]
[NeurIPS 2025 Spotlight] OpenCUA : Fondations ouvertes pour les agents d'utilisation d'ordinateur
Une série de modèles de 11B à poids ouverts pour la compréhension de vidéos longues et en temps réel
🍃 MINT-1T : Un ensemble de données multimodal entrelacé d'un billion de jetons.
Une liste organisée d'articles sur la vision 3D relatifs au domaine de la robotique à l'ère des grands modèles, c'est-à-dire les LLM/VLM, inspirée par awesome-computer-vision, y compris des articles, des codes et des sites Web connexes
VoxPoser : Cartes de Valeur 3D Componibles pour la Manipulation Robotique avec des Modèles Linguistiques
Une liste organisée d'excellentes méthodes d'apprentissage des invites/adaptateurs pour les modèles vision-langage comme CLIP.
[ICLR 2026] La mise en œuvre officielle de "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"
Transformez des documents en Markdown prêt pour l'IA grâce à la compréhension visuelle
OmniVinci est un LLM omnimodal pour la compréhension conjointe de la vision, de l'audio et du langage.
Fiches de préparation bilingues (chinois + anglais) aux entretiens de ML / LLM / diffusion / agents pour le recrutement d’automne en IA — générées par ARIS /interview-cheatsheet, puis rendues par /render-html en fichiers HTML autonomes lisibles partout — ainsi qu’un générateur de pages d’accueil académiques vérifié par recoupement CV→DBLP et des articles longs rédigés par l’auteur 🌱
[CVPR 2026] SpatialVID : Un grand ensemble de données vidéo avec annotations spatiales
🎉 PILOT : Une boîte à outils pour l'apprentissage continu basée sur des modèles pré-entraînés
L'intégration réussie de la série Qwen3-VL-Instruct dans la plateforme ComfyUI a permis une opération fluide, prenant en charge (mais sans s'y limiter) des requêtes basées sur le texte, des requêtes vidéo, des requêtes d'une seule image et des requêtes multi-images pour générer des légendes ou des réponses.
[ECCV2024] Grand modèle linguistique multimodal fondé avec tokenisation visuelle localisée
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.
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.
Chatbot Arena rencontre la multimodalité ! Multi-Modality Arena vous permet d'évaluer côte à côte des modèles de vision-langage tout en fournissant des images en entrée. Prend en charge MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2, et bien d'autres !
Code et directives de mise en œuvre pour l'article ✨Counting Anything. Page du projet : https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] Ce dépôt est la ressource officielle, maintenue par la communauté, pour l'article de synthèse : Spatial Intelligence in Vision-Language Models: A Comprehensive Survey ;
Apprentissage par renforcement avec modèle du monde pour les agents VLM multi-tours. Cadre d’apprentissage par renforcement pour la vision (NeurIPS 2025).
Une liste complète d’excellents articles de recherche, de modèles, de jeux de données et d’autres ressources sur les modèles Vision‑Language‑Action (VLA) en robotique.