#vision-language-model Repository
82 repository in totale
[dsh] Un toolkit visivo piรน potente progettato per modelli basati esclusivamente sul testo: installazione e utilizzo con una sola riga, riconoscimento diretto delle immagini incollandole, domande e risposte su piรน immagini, ripristino della UI frontend da screenshot e molto altro๏ฝIntegrazione nativa di DeepSeek Harness per agent-vision-toolkit: domande e risposte sulle immagini, OCR di screenshot lunghi, ripristino della UI, grounding, differenze tra pixel, Artifacts e Web UI.
[CVPR 2024 Highlight๐ฅ] Chat-UniVi: Unified Visual Representation Potenzia i modelli linguistici di grandi dimensioni con la comprensione di immagini e video
Modelli aperti di decisione multimodale, da 0,8B a 27B, per testo, immagini e video. Decidi assegnando probabilitร ai tuoi candidati e individua gli elementi con riquadri di delimitazione, invece di generare testo. API gratuita, ONNX, GGUF, vLLM e SGLang; codice per il fine-tuning incluso.
Informazioni su Questo repository รจ una raccolta curata degli articoli piรน interessanti e influenti del CVPR 2025. ๐ฅ [Paper + Code + Demo]
[NeurIPS 2025 Spotlight] OpenCUA: Fondamenta aperte per agenti di utilizzo del computer
Una serie di modelli da 11B a pesi aperti per la comprensione di video di lunga durata e in tempo reale
๐ MINT-1T: Un set di dati multimodale interfoliato da un trilione di token.
Un elenco curato di articoli sulla visione 3D relativi al dominio della robotica nell'era dei grandi modelli, ovvero LLM/VLM, ispirato da awesome-computer-vision, inclusi articoli, codici e siti Web correlati
VoxPoser: Mappe di Valore 3D Componibili per la Manipolazione Robotica con Modelli Linguistici
Un elenco curato di fantastici metodi di apprendimento di prompt/adattatori per modelli vision-language come CLIP.
[ICLR 2026] L'implementazione ufficiale di "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"
OmniVinci รจ un LLM omnimodale per la comprensione congiunta di visione, audio e linguaggio.
Schede bilingui (cinese + inglese) per i colloqui su ML / LLM / diffusion / agenti nella selezione autunnale per lโAI โ generate da ARIS /interview-cheatsheet e trasformate da /render-html in file HTML singoli leggibili ovunque โ oltre a un generatore di homepage accademiche verificato rispetto a CVโDBLP e blog in formato lungo scritti personalmente ๐ฑ
๐ PILOT: Una cassetta degli attrezzi per l'apprendimento continuo basata su modelli pre-addestrati
L'integrazione di successo della serie Qwen3-VL-Instruct nella piattaforma ComfyUI ha permesso un funzionamento senza intoppi, supportando (ma non limitandosi a) richieste basate su testo, richieste video, richieste con una sola immagine e richieste con piรน immagini per generare didascalie o risposte.
[ECCV2024] Modello linguistico multimodale ampio e fondato con tokenizzazione visiva localizzata
LLaVA-Mini รจ un modello multimodale ampio e unificato (LMM) che puรฒ supportare la comprensione di immagini, immagini ad alta risoluzione e video in modo efficiente.
Flame รจ un sistema AI multimodale open-source progettato per tradurre mockup di UI design in codice React di alta qualitร . Sfrutta la modellazione vision-lingua, la sintesi automatizzata dei dati e i flussi di lavoro di addestramento strutturati per colmare il divario tra design e sviluppo front-end.
Chatbot Arena incontra la multimodalitร ! Multi-Modality Arena ti permette di confrontare modelli vision-language fianco a fianco fornendo immagini come input. Supporta MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2 e molti altri!
Codice e linee guida per l'implementazione dell'articolo โจCounting Anything. Pagina del progetto: https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] Questo repository รจ la risorsa ufficiale, gestita dalla community, per l'articolo di rassegna: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey;
Apprendimento per rinforzo con modelli del mondo per agenti VLM multi-turno. Framework di apprendimento per rinforzo per la visione (NeurIPS 2025).
Un elenco completo di eccellenti articoli di ricerca, modelli, dataset e altre risorse sui modelli VisionโLanguageโAction (VLA) nella robotica.