#multimodal-ai Repositórios
191 repositórios no total
[🚀 ICLR 2026 Oral] NextStep-1: Geração de Imagens Autogressive de Última Geração com Tokens Contínuos. Projeto de pesquisa desenvolvido pela equipe de Inteligência Multimodal do StepFun.
Raspagem de dados do Twitter, pesquisa de imagens baseada em embeddings e muito mais.
Ming - facilitando recursos avançados de compreensão e geração multimodal construídos sobre o Ling LLM.
Agentic ADK é uma estrutura de desenvolvimento de aplicações de Agente lançada pela Alibaba International AI Business, baseada em Google-ADK e Ali-LangEngine.
Assistência de Ollama local e de GPTs semelhantes ao OpenAI para máxima privacidade e acesso offline
[CVPR 2024] Panda-70M: Legendar 70M Vídeos com Múltiplos Professores de Modalidade Cruzada
Framework de código aberto para o desenvolvimento de agentes de IA conversacionais multimodais em tempo real.
Uma coleção selecionada de artigos de pesquisa que exploram a utilização de LLMs para tarefas relacionadas a grafos.
ComfyUI Lumi Batcher é um plugin de extensão de processamento em lote projetado para ComfyUI, visando melhorar a eficiência da depuração de fluxos de trabalho. Métodos de depuração tradicionais exigem o ajuste de parâmetros um por um, enquanto esta ferramenta melhora significativamente a eficiência do trabalho através de capacidades de processamento em lote.
Implementação Oficial de "Lumina-mGPT: Iluminando a Geração de Imagem para Texto Foto-realista Flexível com Pré-treinamento Generativo Multimodal"
Nós ComfyUI para Janus-Pro, uma estrutura unificada de compreensão e geração multimodal.
Coletamos artigos sobre "modelos de linguagem grandes (LLM) para tarefas relacionadas a tabelas", por exemplo, usando LLM para tarefas de QA de tabelas. Organização de artigos relacionados a 'Tabelas + LLM'
Converse com seus documentos usando Modelos de Linguagem Visual. Este repositório implementa um pipeline RAG de ponta a ponta com VLMs locais e proprietários
(Destaque CVPR 2025✨) Repositório oficial do artigo "LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models"
Implementação oficial do código do Vary-toy (Modelo de Linguagem Pequeno Encontra Vocabulário de Visão Reforçado)
Um novo método de interação humana para extração de fala em tempo real em fones de ouvido.
Repositório oficial de "Glyph: Dimensionamento de Janelas de Contexto via Compressão Visual-Textual"
Estrutura que permite o ajuste fino de modelos de ancoragem visão-linguagem em conjuntos de dados personalizados
Converter o serviço web do Claude em um serviço de API, suportando reconhecimento de imagem, upload de arquivos, saída de pensamento...
Codificando um Modelo de Linguagem Multimodal (Visão) do zero em PyTorch com explicação completa: https://www.youtube.com/watch?v=vAmKB7iPkWw
[NeurIPS 2023] Implementações oficiais de "Barato e Rápido: Ajuste Eficiente de Instruções Visão-Linguagem para Grandes Modelos de Linguagem"