#vision-language-model Repositórios
82 repositórios no total
[dsh] Um kit de ferramentas visuais mais poderoso, projetado para modelos somente de texto: instalação e uso com uma única linha, reconhecimento direto ao colar imagens, perguntas e respostas sobre várias imagens, restauração da UI frontend a partir de capturas de tela e muito mais|Integração nativa do DeepSeek Harness para agent-vision-toolkit: perguntas e respostas sobre imagens, OCR de capturas de tela longas, restauração de UI, grounding, diferença de pixels, Artifacts e Web UI.
[Destaque CVPR 2024🔥] Chat-UniVi: Representação Visual Unificada Capacita Grandes Modelos de Linguagem com Compreensão de Imagens e Vídeos
Modelos abertos de decisão multimodal, de 0,8B a 27B, para texto, imagens e vídeo. Tome decisões atribuindo probabilidades aos seus próprios candidatos e localize elementos com caixas delimitadoras, em vez de gerar texto. API gratuita, ONNX, GGUF, vLLM e SGLang; código de ajuste fino incluído.
Sobre Este repositório é uma coleção curada dos artigos mais empolgantes e influentes da CVPR 2025. 🔥 [Artigo + Código + Demonstração]
[NeurIPS 2025 Spotlight] OpenCUA: Fundações Abertas para Agentes de Uso de Computador
Uma série de modelos de 11B com pesos abertos para compreensão de vídeos longos e em tempo real
🍃 MINT-1T: Um conjunto de dados multimodal entrelaçado de um trilhão de tokens.
Uma lista selecionada de artigos de Visão 3D relacionados ao domínio da Robótica na era dos grandes modelos, ou seja, LLMs/VLMs, inspirada em awesome-computer-vision, incluindo artigos, códigos e websites relacionados
VoxPoser: Mapas de Valor 3D Componíveis para Manipulação Robótica com Modelos de Linguagem
Uma lista selecionada de métodos fantásticos de aprendizado de prompt/adaptador para modelos de visão-linguagem, como o CLIP.
[ICLR 2026] A implementação oficial de "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"
OmniVinci é um LLM omnimodal para a compreensão conjunta de visão, áudio e linguagem.
Guias bilíngues (chinês + inglês) de preparação para entrevistas de ML / LLM / diffusion / agentes para o recrutamento de outono em IA — gerados pelo ARIS /interview-cheatsheet e renderizados pelo /render-html em HTML de arquivo único, legível em qualquer lugar — além de um gerador de páginas acadêmicas com verificação de fatos por CV→DBLP e blogs longos escritos pelo próprio autor 🌱
[CVPR 2026] SpatialVID: Um Grande Conjunto de Dados de Vídeo com Anotações Espaciais
🎉 PILOT: Uma Caixa de Ferramentas de Aprendizado Contínuo Baseada em Modelo Pré-treinado
A integração bem-sucedida da série Qwen3-VL-Instruct na plataforma ComfyUI permitiu um funcionamento suave, suportando (mas não se limitando a) consultas baseadas em texto, consultas de vídeo, consultas de uma única imagem e consultas de múltiplas imagens para gerar legendas ou respostas.
[ECCV2024] Modelo de Linguagem Grande Multimodal Fundamentado com Tokenização Visual Localizada
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.
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.
Chatbot Arena encontra a multimodalidade! A Arena Multimodal permite que você compare modelos de visão-linguagem lado a lado, fornecendo imagens como entradas. Suporta MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2 e muitos outros!
Código e diretrizes de implementação para o artigo ✨Counting Anything. Página do projeto: https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] Este repositório é o recurso oficial, mantido pela comunidade, para o artigo de revisão: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey.
Aprendizado por reforço com modelos do mundo para agentes VLM de múltiplos turnos. Framework de aprendizado por reforço para visão (NeurIPS 2025).
Uma lista abrangente de excelentes artigos de pesquisa, modelos, conjuntos de dados e outros recursos sobre modelos Vision‑Language‑Action (VLA) na robótica.