multimodal-ai

🚀 Ein wirklich Open-Source-Toolkit für KI-Avatare (digitale Menschen) zur Offline-Videogenerierung und zum Klonen digitaler Menschen.

Offizielles Agnes AI Gateway und Modellkatalog für OpenAI-kompatible Text-, Bild-, Video- und Agenten-Workflows.

Multimodale generative Medien-Skills für KI-Agents (Claude Code, Cursor, Gemini CLI). Hochwertige Bild-, Video- und Audio-Generierung powered by muapi.ai.

Mano-P: Open-Source-GUI-VLA-Agent für Edge-Geräte. #1 auf OSWorld (spezialisiert, 58,2 %). Läuft lokal auf Apple M4 Mac mini/MacBook – keine Daten verlassen Ihr Gerät. Mano-P ist ein Open-Source-GUI-VLA-Projekt, das Inferenz lokal auf Mac mini/MacBook oder über KI Beschleuniger unterstützt und rein visuell gesteuerte, plattformübergreifende GUI-Automatisierung ermöglicht. Daten werden vollständig lokal verarbeitet, mit Unterstützung für komplexe, mehrstufige Aufgabenplanung und -ausführung.

EVA OS — Ein echtes multimodales AIOS für Hardware der nächsten Generation, das Ihre Geräte „lebendig“ und so intelligent wie ein echtes Gehirn macht.

NVIDIA AI Blueprint für Video-Suche und -Zusammenfassung (VSS) ist eine GPU-beschleunigte Referenzarchitektur zum Erstellen von Video-Analytik-Agenten mit verifizierten Echtzeit-Benachrichtigungen, visueller Q&A und automatisierter Berichterstellung. Der VSS Blueprint verwendet Vision Language Models (VLMs) wie NVIDIA Cosmos, LLMs wie NVIDIA Nemotron, RAG und NVIDIA NIMs.

OpenGUI ist ein Android-GUI-Agent-Framework für telefonbasierte KI, die echte mobile Apps über die GUI sehen, planen und bedienen kann.

Leistungsstarker, mit OpenAI und Anthropic kompatibler LLM-Inferenzserver für Apple Silicon. Nativer MLX, Continuous Batching, multimodale Modelle, MCP-Tool-Aufrufe und Claude-Code-Unterstützung.

Kuratierter visueller Katalog mit über 155 Vision-Language-Modell-Architekturen (VLM/MLLM): Paper, Diagramme, Trainingsrezepte, Datensätze und eine Release-Timeline für multimodale KI-Agenten.

XiaoyaoSearch versteht deine Worte und Bilder und findet jede lokale Datei mit KI, sodass die Suche so einfach wie ein Chat wird.

Ihr offener autonomer Android-Agent – Ein produktionsbereiter, selbstplanender KI-Assistent, angetrieben von lokalen/fernen LLMs und barrierefreiheitsgesteuerter Bildschirmautomatisierung.

Ressourcen, Beispiele und Tutorials für multimodale KI, RAG und Agenten unter Verwendung von Vektorsuche und LLMs

An open-weight 11B model series for long-form and real-time video understanding