#vision-language-model 仓库
共 82 个仓库
[dsh] 为纯文本模型设计的更强大视觉工具箱:一行命令即可安装使用、粘贴图片即可直接识别、多张图片问答、截图还原为前端 UI 等|DeepSeek Harness 原生集成 agent-vision-toolkit:图片问答、长截图 OCR、UI 还原、定位、像素差异、Artifacts 和 Web UI。
开放式多模态决策模型,参数规模从 0.8B 到 27B,支持文本、图像和视频。对自选候选项进行概率判断,并用边界框定位,而非生成文本。提供免费 API、ONNX、GGUF、vLLM 和 SGLang;附带微调代码。
一个精选的3D视觉论文列表,涉及大模型时代,即LLMs/VLMs,在机器人领域,灵感来源于awesome-computer-vision,包括论文、代码和相关网站
[ICLR 2026] "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model" 的官方实现
面向 AI 秋招的中英双语 ML / LLM / diffusion / agent 面试速查表——由 ARIS /interview-cheatsheet 生成,通过 /render-html 渲染为可随处阅读的单文件 HTML——另有经 CV→DBLP 事实核查的学术主页生成器,以及亲自撰写的长篇博客 🌱
将 Qwen3-VL-Instruct 系列成功集成到 ComfyUI 平台后,实现了顺畅的运行,支持(但不限于)基于文本的查询、视频查询、单张图像查询以及多张图像查询,以生成字幕或回复。
Flame 是一个开源的多模态 AI 系统,旨在将 UI 设计模型翻译成高质量的 React 代码。它利用视觉语言建模、自动化数据合成和结构化训练工作流程,以弥合设计与前端开发之间的差距。
聊天机器人竞技场 만나다 多模态!多模态竞技场允许您在提供图像作为输入的同时,并排基准测试视觉语言模型。支持MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2 等等等!
论文✨Counting Anything的代码和实现指南。项目页面:https://mengqi-lei.github.io/count-anything-projectpage/
[Awesome-Spatial-VLMs] 本仓库是综述论文《Spatial Intelligence in Vision-Language Models: A Comprehensive Survey》的官方社区维护资源。