#multimodal-ai Repositórios
191 repositórios no total
Este repositório é para a primeira pesquisa abrangente sobre o Modelo Segment Anything (SAM) da Meta AI.
O Google Gen AI Go SDK oferece uma interface para que os desenvolvedores integrem os modelos generativos do Google em seus aplicativos Go.
Kimi-VL: Modelo de Visão-Linguagem com Mistura de Especialistas para Raciocínio Multimodal, Compreensão de Contexto Longo e Fortes Capacidades de Agente
algo como visual-chatgpt, a versão de código aberto do Wenxin Yiyan
Código para 3D-LLM: Injetando o Mundo 3D em Modelos de Linguagem Grandes
Uma Solução AIGC Multimodal de Código Aberto baseada em ComfyUI + MCP + LLM https://pixelle.ai
MiMo-Audio: Modelos de Linguagem de Áudio são Aprendizes de Poucos Exemplos
Agente de IA usando GPT-4V(ision) capaz de usar um mouse/teclado para interagir com interfaces de usuário web
[NeurIPS'23 Spotlight] "Mind2Web: Towards a Generalist Agent for the Web" -- o primeiro agente web baseado em LLM e benchmark para agentes web generalistas
🍌 O kit inicial oficial para o Nano Banana Hackathon. Clone este repositório para começar a criar rapidamente!
[TPAMI 2026] ConsistentID: Geração de Retratos com Preservação de Identidade Multimodal de Granularidade Fina
Xiaoyao Search: Entende suas palavras, lê suas imagens e encontra qualquer arquivo local com IA, tornando a busca tão simples quanto conversar.
Um padrão para um Assistente de IA sempre ativo, alimentado por Deepseek-V3, RealtimeSTT e Typer, para engenharia
Recursos, exemplos e tutoriais para IA multimodal, RAG e agentes usando pesquisa vetorial e LLMs
Implante um site de chat multimodal Gemini em 10 segundos, Serverless! Basta ter uma Chave API do Gemini e, em 10 segundos, você pode implementar um site de diálogo multimodal Gemini.
Código de inferência para o artigo "Spirit-LM Interleaved Spoken and Written Language Model".
SEED-Story: Geração multimodal de histórias longas com modelo de linguagem grande
Trabalhos recentes de CV baseados em LLM e projetos relacionados. Comentários/contribuições são bem-vindos!
[NeurIPS 2023] Implementação oficial do artigo "Motion-X: Um Conjunto de Dados de Movimento Humano de Corpo Inteiro Expressivo 3D em Larga Escala"
Tradução da Implantação em Chinês do MiniGPT-4: Aperfeiçoamento dos Detalhes de Implantação
Estender o OpenRLHF para suportar o treinamento RL de LMM para a reprodução do DeepSeek-R1 em tarefas multimodais.
[Versão estendida ICLR 2025 Blog Track] Anole: Modelos multimodais abertos, autoregressivos e nativos para geração de imagem-texto intercalada
Implementação Oficial do Algoritmo do Artigo da ICML'23 "VIMA: Manipulação Robótica Geral com Prompts Multimodais"
Uma série de modelos de 11B com pesos abertos para compreensão de vídeos longos e em tempo real
Implementação oficial de UnifiedReward e [NeurIPS 2025] UnifiedReward-Think e UnifiedReward-Flex
Cosmos-Transfer1 é um modelo de transferência de mundo a mundo projetado para preencher a lacuna perceptual entre ambientes simulados e do mundo real.
【Parada de manutenção】Ferramenta de agregação de diálogos LLM API. Repositório do projeto original: https://github.com/KouriChat/KouriChat Este projeto foi modificado e criado por iwyxdxl com base no projeto original. Apenas para fins de aprendizado, cumpra as regras, não integre a plataformas públicas nem utilize em qualquer atividade de produção.
💬 Uma proposta para uma API web para solicitar modelos de linguagem fornecidos pelo navegador
MM-EUREKA: Explorando as Fronteiras do Raciocínio Multimodal com Aprendizado por Reforço Baseado em Regras
[Repositório Oficial] Visual Mamba: Um Levantamento e Novas Perspectivas
[ICCV 2023] Implementação oficial do artigo "Uma Estrutura Simples para Segmentação e Detecção de Vocabulário Aberto"
Os nós desanexados de [ComfyUI Layer Style](https://github.com/chflame163/ComfyUI_LayerStyle) são principalmente aqueles com requisitos complexos para pacotes de dependência.