#multimodal-ai リポジトリ
リポジトリ合計191件
'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning' の公式リポジトリ
【LLMs 九層妖塔】自然言語処理(ChatGLM、Chinese-LLaMA-Alpaca、小羊駝 Vicuna、LLaMA、GPT4ALLなど)、情報検索(langchain)、言語合成、言語認識、マルチモーダル(Stable Diffusion、MiniGPT-4、VisualGLM-6B、Ziya-Visualなど)などの分野におけるLLMsの実践と経験を共有します。
NVIDIA AI ビデオ検索・要約(VSS)ブループリントは、リアルタイム検証アラート、ビジュアルQ&A、自動レポート機能を備えたビデオ分析エージェントを構築するためのGPUアクセラレーション対応リファレンスアーキテクチャです。VSSブループリントは、NVIDIA Cosmosなどの視覚言語モデル(VLM)、NVIDIA NemotronなどのLLM、RAG、およびNVIDIA NIMを使用します。
セマンティック検索。自然言語でローカルの写真や動画を検索します。AIセマンティック検索ローカル素材。画像検索、ローカル素材の検索、テキスト説明によるシーンのマッチング、ビデオフレーム検索、シーン説明によるビデオ検索。
OpenGUIは、スマートフォン向けAIのためのAndroid GUIエージェントフレームワークであり、GUIを通じて実際のモバイルアプリを認識、計画、操作することができます。
TorchMultimodalは、最先端のマルチモーダル・マルチタスクモデルを大規模にトレーニングするためのPyTorchライブラリです。
Apple Silicon 向けの高性能な OpenAI および Anthropic 互換 LLM 推論サーバー。ネイティブ MLX、継続的バッチ処理、マルチモーダルモデル、MCP ツール呼び出し、Claude Code サポート。
検出とセグメンテーションのためのトランスフォーマーに関する論文をいくつか収集します。コンピュータビジョン(CV)のためのAwesome Detection Transformer
200種類以上の視覚言語モデル(VLM/MLLM)アーキテクチャを厳選したビジュアルカタログ。論文、図解、学習レシピ、データセットに加え、マルチモーダルAIエージェントのリリース年表を掲載。
あなたのオープンな自律型Androidエージェント — ローカル/リモートLLMとアクセシビリティ駆動の画面自動化を活用した、本番環境対応の自己計画型AIアシスタント。