#vision-language-models Repositórios
86 repositórios no total
O repositório fornece código associado ao artigo VLFM: Vision-Language Frontier Maps for Zero-Shot Semantic Navigation (ICRA 2024)
[NeurIPS 2025] 4KAgent: Qualquer Imagem para Super-Resolução 4K. Um agente inteligente de visão computacional que pode restaurar magicamente qualquer imagem para um 4K perfeito!
[CVPR 2022] Código oficial para "RegionCLIP: Pré-treinamento de Linguagem-Imagem Baseado em Região"
[Destaque NeurIPS'25] Repositório oficial para "Chain-of-Zoom: Super-Resolução Extrema via Autorregressão de Escala e Alinhamento de Preferências"
MM-EUREKA: Explorando as Fronteiras do Raciocínio Multimodal com Aprendizado por Reforço Baseado em Regras
Uma coleção e pesquisa de ponta sobre artigos de modelos de visão-linguagem, e repositório GitHub de modelos. Atualizações contínuas.
Dados e código para o Artigo NeurIPS 2022 "Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering".
BiomedGPT: Um Modelo Fundamental Generalista de Visão-Linguagem para Diversas Tarefas Biomédicas
[ICCV 2025] Código oficial de "ORION: Uma estrutura holística de ponta a ponta para direção autônoma por meio da geração de ações instruída por visão e linguagem"
EMNLP'22 | MedCLIP: Aprendizagem Contrastiva a partir de Imagens e Textos Médicos Não Emparelhados
Converse com seus documentos usando Modelos de Linguagem Visual. Este repositório implementa um pipeline RAG de ponta a ponta com VLMs locais e proprietários
[ICLR 2026] ReCogDrive: Um Framework Cognitivo Reforçado para Direção Autônoma de Ponta a Ponta
Implementação oficial do código do Vary-toy (Modelo de Linguagem Pequeno Encontra Vocabulário de Visão Reforçado)
Uma lista selecionada de recursos de Aprendizado por Reforço Multimodal (continuamente atualizada)
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
Uma coleção de artigos, códigos, conjuntos de dados, benchmarks e recursos de raciocínio multimodal.
🌐 Modelos de visão, linguagem e ação para a condução autónoma: passado, presente e futuro
[BIONLP@ACL 2024] XrayGPT: Sumarização de Radiografias de Tórax usando Modelos Médicos de Visão e Linguagem.
Aprendizado por reforço com modelos do mundo para agentes VLM de múltiplos turnos. Framework de aprendizado por reforço para visão (NeurIPS 2025).
[NeurIPS 2023] Implementações oficiais de "Barato e Rápido: Ajuste Eficiente de Instruções Visão-Linguagem para Grandes Modelos de Linguagem"
Uma Estrutura de Interação Confiável Humano-Aprendizagem por Reforço Multiagente