#vision-language-models Репозитории
Всего репозиториев: 86
Репозиторий предоставляет код, связанный с работой VLFM: Vision-Language Frontier Maps для семантической навигации без предварительного обучения (ICRA 2024)
[NeurIPS 2025] 4KAgent: Agentic Any Image to 4K Super-Resolution. Интеллектуальный агент компьютерного зрения, который может волшебным образом восстановить любое изображение до идеального 4K!
Официальный код к "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
[NeurIPS'25 Spotlight] Официальный репозиторий для "Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment"
MM-EUREKA: Исследование границ мультимодального рассуждения с помощью основанного на правилах обучения с подкреплением
Самый передовой набор и обзор статей о моделях видение-язык, а также репозиторий моделей на GitHub. Постоянные обновления.
Данные и код для статьи NeurIPS 2022 "Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering".
BiomedGPT: Универсальная основополагающая модель зрения-языка для решения различных биомедицинских задач
[ICCV 2025] Официальный код работы "ORION: Целостный сквозной фреймворк для автономного вождения посредством генерации действий, управляемых инструкциями на основе зрения и языка"
EMNLP'22 | MedCLIP: Контрастное обучение на непарных медицинских изображениях и текстах
Общайтесь со своими документами с помощью моделей Vision Language. Этот репозиторий реализует сквозной RAG-конвейер как с локальными, так и с проприетарными VLM.
[ICLR 2026] ReCogDrive: Усиленная когнитивная структура для автономного вождения от начала до конца
Официальная реализация кода Vary-toy (Малая языковая модель встречает усиленный визуальный словарь)
Кураторский список ресурсов по мультимодальному обучению с подкреплением (постоянно обновляется)
Официальный репозиторий для «Glyph: масштабирование контекстных окон с помощью визуально-текстовой компрессии»
Фреймворк, позволяющий донастраивать модели сопряжения "зрение-язык" на пользовательских наборах данных
Сборник статей, кодов, наборов данных, бенчмарков и ресурсов по мультимодальному рассуждению.
🌐 Модели «зрение — язык — действие» для автономного вождения: прошлое, настоящее и будущее
[BIONLP@ACL 2024] XrayGPT: Резюмирование рентгенограмм грудной клетки с использованием медицинских моделей зрения и языка.
Обучение с подкреплением на основе моделей мира для многошаговых VLM-агентов. Фреймворк обучения с подкреплением для задач компьютерного зрения (NeurIPS 2025).
[NeurIPS 2023] "Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models" - Официальные реализации
Надежная основа для взаимодействия человека и нескольких агентов в обучении с подкреплением