multi-modal

Agenten bauen und ausführen, die Sie sehen, verstehen und vertrauen können.

Ein Pocket-Sized MLLM für ultraschnelle Bild- und Video-Verarbeitung auf Ihrem Telefon

Open-Source-Framework für konversationelle Sprach-KI-Agenten

[CVPR 2024 Oral] InternVL Family: Eine bahnbrechende Open-Source-Alternative zu GPT-4o. Ein Open-Source-Multimodal-Dialogmodell, das der Leistung von GPT-4o nahekommt.

ModelScope: Das Konzept von Model-as-a-Service zum Leben erwecken.

KI-Suite, angetrieben von modernen Modellen, die erweiterte KI/AGI-Funktionen bereitstellt. Beinhaltet KI-Personas, AGI-Funktionen, erstklassige Beam-Multimodell-Chats, Text-to-Image, Sprache, Antwort-Streaming, Code-Hervorhebung und -Ausführung, PDF-Import, Voreinstellungen für Entwickler und vieles mehr. On-Premise oder in der Cloud bereitstellbar.

Datenverarbeitung für und mit Foundation Models! 🍎 🍋 🌽 ➡️ ➡️🍸 🍹 🍷

Ein hochmodernes visuelles Open-Source-Sprachmodell | Multimodales vortrainiertes Modell

Open-Source-Routing-Engine für OpenStreetMap

Chinesische Version von CLIP für chinesische cross-modale Suche und Repräsentationsgenerierung.

Implementierung / Replikation von DALL-E, OpenAIs Text-to-Image-Transformer, in Pytorch

E-Commerce-Suche und -Entdeckung - marqo.ai

[EMNLP 2022] Ein offenes Toolkit zur Extraktion und Konstruktion von Wissensgraphen

Open-Source-Evaluierungs-Toolkit für Large Multi-Modality Models (LMMs), unterstützt über 220 LMMs und 80+ Benchmarks

OmniGen: Einheitliche Bildgenerierung. https://arxiv.org/pdf/2409.11340

Multimodales, chinesisch-englisches Dialogsprachmodell | 多模态中英双语对话语言模型

Eine C#/.NET-Bibliothek zum effizienten Ausführen von LLMs (🦙LLaMA/LLaVA) auf Ihrem lokalen Gerät.

【EMNLP 2024🔥】Video-LLaVA: Erlernen einer vereinten visuellen Repräsentation durch Ausrichtung vor der Projektion

Open-Source-KI-Assistenten-Ökosystem mit MCP-Integrationen, multimodalen Workflows, IoT-Unterstützung und plattformübergreifender Sprachinteraktion.

Repräsentieren, Senden, Speichern und Durchsuchen multimodaler Daten

Projektseite für „LISA: Reasoning Segmentation via Large Language Model“

Open-Source-Multimodell auf GPT4V-Niveau basierend auf Llama3-8B

【TMM 2025🔥】Mixture-of-Experts für Large Vision-Language Models

Eine Sammlung von Industrie-Klassikern und bahnbrechenden Papers aus den Bereichen Empfehlung, Werbung und Suche.

[NeurIPS 2023] MotionGPT: Human Motion as a Foreign Language, ein einheitliches Bewegungs-Sprach-Generierungsmodell mit LLMs

Eine robuste All-in-One-GPT-Schnittstelle für Discord. ChatGPT-ähnliche Konversationen, Bildgenerierung, KI-Moderation, benutzerdefinierte Indizes/Wissensdatenbanken, YouTube-Zusammenfasser und mehr!

SALMONN-Familie: Eine Suite fortschrittlicher multimodaler LLMs

[pip install medmnist] 18 standardisierte Datensätze für die 2D- und 3D-Biomedizinische Bildklassifizierung

PyTorch-Implementierung von Transfusion („Predict the Next Token and Diffuse Images with One Multi-Modal Model“) von MetaAI

Dieses Repository sammelt Arbeiten für „A Survey on Knowledge Distillation of Large Language Models“. Wir unterteilen KD in Wissensbeschaffungs- und Distillationsalgorithmen und untersuchen die Fähigkeiten- und vertikale Distillation von LLMs.