#vision-language-model リポジトリ
リポジトリ合計82件
[dsh] テキストのみのモデル向けに設計された、より強力なビジュアルツールキット:1行でインストールして利用、画像を貼り付けるだけの直接認識、複数画像への質問応答、スクリーンショットからフロントエンドUIへの復元など|agent-vision-toolkit向けDeepSeek Harnessネイティブ統合:画像Q&A、長いスクリーンショットのOCR、UI復元、グラウンディング、ピクセル差分、Artifacts、Web UI。
テキスト、画像、動画に対応した、0.8B~27Bのオープンなマルチモーダル意思決定モデル。テキストを生成する代わりに、独自の候補に確率を割り当てて判断し、バウンディングボックスで位置を特定します。無料API、ONNX、GGUF、vLLM、SGLangに対応。ファインチューニング用コードも付属。
概要 このリポジトリは、最もエキサイティングで影響力のあるCVPR 2025の論文を厳選したコレクションです。🔥 [論文 + コード + デモ]
LLM/VLM、すなわち大規模モデルの時代におけるロボティクス分野に関連する3Dビジョン論文のキュレーションリスト。awesome-computer-visionに触発され、論文、コード、関連ウェブサイトを含む
CLIPのようなビジョン言語モデルのための、厳選された素晴らしいプロンプト/アダプター学習方法のリストです。
[ICLR 2026] 「Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model」の公式実装
AI秋採用向けのバイリンガル(中国語+英語)ML / LLM / diffusion / agent面接チートシート――ARIS /interview-cheatsheetで生成し、/render-htmlでどこでも読める単一ファイルHTMLに変換――に加え、CV→DBLPで事実確認した学術ホームページ生成器と、本人執筆の長文ブログ 🌱
Qwen3-VL-InstructシリーズをComfyUIプラットフォームに成功裏に統合したことで、スムーズな動作が実現し、(しかし限られない)テキストベースのクエリ、ビデオクエリ、単一イメージクエリ、マルチイメージクエリをサポートし、キャプションや回答を生成できるようになりました。
Flameは、UIデザインモックアップを高品質なReactコードに変換するために設計されたオープンソースのマルチモーダルAIシステムです。ビジョン言語モデリング、自動化されたデータ合成、構造化されたトレーニングワークフローを活用し、デザインとフロントエンド開発の間のギャップを埋めます。
チャットボットアリーナがマルチモーダルに対応!マルチモーダルアリーナでは、画像を入力として提供しながら、ビジョン言語モデルを並べてベンチマークすることができます。MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2などをサポートしています!
論文✨Counting Anythingのコードと実装ガイドライン。プロジェクトページ:https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] このリポジトリは、調査論文「Spatial Intelligence in Vision-Language Models: A Comprehensive Survey」のための公式かつコミュニティによって管理されているリソースです。
ロボティクスにおけるVision‑Language‑Action(VLA)モデルに関する優れた研究論文、モデル、データセット、その他のリソースの包括的リスト。