#multimodal Repositórios
183 repositórios no total
AI Manus é um sistema de agente de IA de uso geral que permite executar diversas ferramentas e operações em um ambiente sandbox.
AI Manus é um sistema de agentes de IA de uso geral que permite executar diversas ferramentas e operações em um ambiente sandbox.
AI Manus é um sistema de agentes de IA de uso geral que permite executar diversas ferramentas e operações em um ambiente isolado.
Página do Projeto para "Seg-Zero: Segmentação Guiada por Cadeia de Raciocínio via Reforço Cognitivo"
Hunyuan3D-Omni: Um framework unificado para geração controlada de ativos 3D
👁️ + 💬 + 🎧 = 🤖 Lista curada dos principais modelos de fundação e multimodais! [Artigo + Código + Exemplos + Tutoriais]
Este repositório fornece programas para construir código de Geração Aumentada por Recuperação (RAG) para IA Generativa com LlamaIndex, Deep Lake e Pinecone, aproveitando o poder dos modelos OpenAI e Hugging Face para geração e avaliação.
Implementação oficial para "Blended Latent Diffusion" [SIGGRAPH 2023]
RAI é um framework agentic agnóstico de fornecedores para robótica Physical AI, utilizando ferramentas ROS 2 para realizar ações complexas, cenários definidos, execução de interface livre, resumos de logs, interação por voz e mais.
Este repositório contém código de avaliação para o artigo "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI"
Dê olhos, ouvidos e resultados verificáveis aos agentes de IA. O Watch Skill transforma vídeos, áudio e atividades na tela em evidências pesquisáveis e com marcação de tempo, e comprova o trabalho por meio de contratos determinísticos, não de opiniões do modelo. DeepWatch é o espaço de trabalho para agentes desenvolvido com base no DeepSeek Harness. Python + npm, MCP, CLI, REST e Web.
Crie automação de navegador como se estivesse ensinando um humano usando GPT-4 Vision.
Storyboard com reconhecimento de cenas para DeepSeek Harness: de 9 a 16 células numeradas com marcações de tempo + transcrição + envelope de áudio, reunidas em UMA única imagem (384 tokens). Duas ferramentas: video_storyboard e video_zoom.
[ECCV2024] Modelo de Linguagem Grande Multimodal Fundamentado com Tokenização Visual Localizada
Implementação oficial para "Difusão Mesclada para Edição de Imagens Naturais Orientada por Texto" [CVPR 2022]
LLaVA-Mini é um modelo multimodal grande unificado (LMM) que pode suportar a compreensão de imagens, imagens de alta resolução e vídeos de forma eficiente.
O Sistema de Autocodificação para o Seu App — Alan AI SDK para React Native
Agente de desktop multimodal em tempo real que evolui rumo a uma interface persistente de sistema operacional com IA (0.17 α).
Flame é um sistema de IA multimodal de código aberto projetado para traduzir mockups de design de UI em código React de alta qualidade. Ele aproveita a modelagem visão-linguagem, a síntese automatizada de dados e fluxos de trabalho de treinamento estruturados para preencher a lacuna entre o design e o desenvolvimento front-end.
Código oficial do OpenVLHarness: uso de ferramentas por agentes visuais no mundo real com memória multimodal
Um hub para vários esquemas específicos da indústria a serem usados com VLMs.
Implementação oficial para "Break-A-Scene: Extraindo Múltiplos Conceitos de Uma Única Imagem" [SIGGRAPH Asia 2023]
Código oficial de "EVF-SAM: Fusão Precoce Visão-Linguagem para Modelo Segment Anything com Prompt de Texto"