multimodal

SDK für die Interaktion mit stability.ai APIs (z. B. Stable-Diffusion-Inferenz)

mPLUG-DocOwl: Ein modulares multimodales großes Sprachmodell zum Dokumentenverständnis

[ECCV2024] Video Foundation Models & Data für multimodales Verständnis

🎨 NeMo Data Designer: Generieren Sie hochwertige synthetische Daten von Grund auf oder aus Seed-Daten.

GenAI Processors ist eine lightweight Python-Bibliothek, die eine effiziente, parallele Inhaltsverarbeitung ermöglicht.

Lassen Sie Claude (oder ein beliebiges LLM) ein Video tatsächlich ansehen – szenenbewusste, deduplizierte Frames + Transkript, von einer URL oder einer lokalen Datei. Läuft lokal, MIT-lizenziert.

On-Device, multimodale Echtzeit-KI mit ähnlichen Funktionen wie GPT-Live

[ICLR & NeurIPS 2025] Repository für die Show-o-Serie, ein einziger Transformer zur Vereinigung multimodaler Verstehensprozesse und Generierung.

Eine Open-Source-Implementierung zum Fine-Tuning der Qwen-VL-Serie von Alibaba Cloud.

Implementierung von „BitNet: Scaling 1-bit Transformers for Large Language Models“ in PyTorch

Eine Sammlung originaler, innovativer Ideen und Algorithmen für Advanced Literate Machinery. Dieses Projekt wird vom OCR-Team im Language Technology Lab, Tongyi Lab der Alibaba Group gepflegt.

Synthese von Grafikprogrammen für wissenschaftliche Abbildungen und Skizzen mit TikZ.

Das selbstkodierende System für Ihre App — Alan AI SDK für Android

Das Self-Coding-System für Ihre App — Alan AI SDK für Flutter

Das Self-Coding-System für Ihre App — Alan AI SDK für Ionic

Einheitliches multimodales Backend für KI-Daten-Apps

Schnelles multimodales LLM auf mobilen Geräten

Erhalte saubere Daten aus schwierigen Dokumenten, unterstützt durch Vision-Language-Modelle ⚡

Eine neuartige Architektur für multimodale große Sprachmodelle (MLLM), die darauf ausgelegt ist, visuelle und textuelle Einbettungen strukturell auszurichten.

Visuelle Intelligenz für Ihr Zuhause.

Übersicht japanischer LLMs

WeMM-Embedding is a family of universal multimodal embedding models by the WeChat Vision Team at Tencent, supporting multimodal understanding and retrieval.

Dieses Repository ist die offizielle Implementierung von Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023).

Offline-Inferenz-Engine für Kunst, Echtzeit-Sprachkonversationen, LLM-gestützte Chatbots und automatisierte Workflows

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

Verleiht Claude die Fähigkeit, Videos anzusehen und zu verstehen — Claude Code-Plugin mit Frame-Extraktion und multimodaler Audioanalyse

Taschengroße multimodale KI für Inhaltsverständnis und -generierung über mehrsprachige Texte, Bilder und 🔜 Videos, bis zu 5x schneller als OpenAI CLIP und LLaVA 🖼️ & 🖋️

Xtreme1 ist eine All-in-One-Datenkennzeichnungs- und Annotationsplattform für multimodales Datentraining und unterstützt 3D-LiDAR-Punktwolken, Bilder und LLMs.

Verknüpfung von 3D-Mesh-Generierung mit Sprachmodellen

Konvertieren Sie Dokumente mit visueller Erkennung in KI-ready Markdown