#multimodal-ai Repository
191 repository in totale
[๐ ICLR 2026 Oral] NextStep-1: Generazione di immagini Autogressive SOTA con token continui. Progetto di ricerca sviluppato dal team di Intelligenza Multimodale di StepFun.
Scraping di dati da Twitter, ricerca di immagini basata su embedding e altro ancora.
Ming - facilita capacitร avanzate di comprensione e generazione multimodale costruite sul Ling LLM.
Agentic ADK รจ un framework di sviluppo di applicazioni agenti lanciato da Alibaba International AI Business, basato su Google-ADK e Ali-LangEngine.
Assistenza locale Ollama e GPT simile a OpenAI per la massima privacy e l'accesso offline
[CVPR 2024] Panda-70M: Didascalia per 70 milioni di video con piรน insegnanti cross-modality
Framework open source per lo sviluppo di agenti IA conversazionali multimodali e in tempo reale.
Una raccolta curata di articoli di ricerca che esplorano l'utilizzo di LLM per attivitร relative ai grafi.
ComfyUI Lumi Batcher รจ un plugin di estensione per l'elaborazione batch progettato per ComfyUI, volto a migliorare l'efficienza del debug del flusso di lavoro. I metodi di debug tradizionali richiedono la regolazione dei parametri uno per uno, mentre questo strumento migliora significativamente l'efficienza del lavoro attraverso capacitร di elaborazione batch.
Implementazione ufficiale di "Lumina-mGPT: Illumina la generazione flessibile di immagini fotorealistiche da testo con pre-allenamento generativo multimodale"
Nodi ComfyUI per Janus-Pro, un framework unificato per la comprensione e la generazione multimodale.
Raccogliamo articoli su "grandi modelli linguistici (LLM) per attivitร relative alle tabelle", ad esempio, l'uso di LLM per il task Table QA. Raccolta di documenti relativi a "Tabelle + LLM"
Chatta con i tuoi documenti utilizzando Vision Language Models. Questo repository implementa una pipeline RAG End to End sia con VLM locali che proprietari.
(Evidenziazione CVPR 2025โจ) Repository ufficiale dell'articolo "LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models"
Implementazione ufficiale del codice di Vary-toy (Small Language Model incontra Reinforced Vision Vocabulary)
Un nuovo metodo di interazione umana per l'estrazione vocale in tempo reale su cuffie.
Repository ufficiale per "Glyph: Ridimensionamento delle finestre di contesto tramite compressione visuale-testuale"
Framework che consente il fine-tuning di modelli di grounding visione-linguaggio su set di dati personalizzati
Convertire il servizio web di Claude in un servizio API, supportando il riconoscimento di immagini, l'upload di file, l'output di pensiero...
Codifica di un modello linguistico multimodale (Vision) da zero in PyTorch con spiegazione completa: https://www.youtube.com/watch?v=vAmKB7iPkWw
Implementazioni ufficiali di "Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models" [NeurIPS 2023]