#multimodal-ai リポジトリ
リポジトリ合計191件
[🚀 ICLR 2026 Oral] NextStep-1: 継続トークンを用いたSOTA Autogressive画像生成。StepFunのマルチモーダルインテリジェンスチームが開発した研究プロジェクト。
Agentic ADKは、Google-ADKとAli-LangEngineをベースに、Alibaba International AI Businessがローンチしたエージェントアプリケーション開発フレームワークです。
ComfyUI Lumi Batcherは、ComfyUI用に設計されたバッチ処理拡張プラグインであり、ワークフローのデバッグ効率の向上を目指しています。従来のデバッグ方法ではパラメータを一つずつ調整する必要がありましたが、このツールはバッチ処理機能により作業効率を大幅に向上させます。
「表関連タスクのための大規模言語モデル(LLM)」に関する論文を収集します。例えば、Table QAタスクにLLMを使用することです。「表+LLM」関連論文の整理
ビジョン言語モデルを使用してドキュメントとチャットします。このリポジトリは、ローカルおよびプロプライエタリな VLM を使用したエンドツーエンド RAG パイプラインを実装しています。
(CVPR 2025 ハイライト✨) 論文「LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models」の公式リポジトリ
PyTorchでゼロからマルチモーダル(ビジョン)言語モデルをコーディングし、完全な説明付き:https://www.youtube.com/watch?v=vAmKB7iPkWw
「Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models」の公式実装 [NeurIPS 2023]