vlm

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.

🚀🚀🚀 Eine Sammlung großartiger öffentlicher YOLO-Objekterkennungsprojekte und zugehöriger Objekterkennungsdatensätze.

Deklarative Möglichkeit, KI-Modelle in React Native auf dem Gerät auszuführen, angetrieben von ExecuTorch.

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

Modellkomprimierungs-Toolkit für verbesserte Benutzerfreundlichkeit, Vollständigkeit und Effizienz.

Awesome-Jailbreak-on-LLMs ist eine Sammlung von hochmodernen, neuartigen und spannenden Jailbreak-Methoden für LLMs. Sie enthält Arbeiten, Code, Datensätze, Evaluierungen und Analysen.

Kameraüberwachung mit VLM

Flugzeugentwurfsoptimierung, beschleunigt durch Computational-Graph-Transformationen (z. B. automatische Differenzierung). Kombinierbare Analysewerkzeuge für Aerodynamik, Antrieb, Strukturen, Trajektoriendesign und vieles mehr.

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

JoyCaption ist ein Visual Language Model (VLM) zur Bildbeschriftung, das von Grund auf als freies, offenes und unzensiertes Modell für die Community entwickelt wurde, um es beim Training von Diffusion-Modellen zu verwenden.

Ein Open-Source-End-to-End-VLM-basierter GUI-Agent

InternRobotics' offene Plattform zum Erstellen verallgemeinerter Navigations-Fundamentmodelle.

Eine Familie leichter multimodaler Modelle.

MindSpore + 🤗Huggingface: Führen Sie beliebige Transformers/Diffusers-Modelle auf MindSpore aus – mit nahtloser Kompatibilität und Beschleunigung.

🚀 Native PyTorch-Bibliothek für das verteilte Training von LLMs/VLMs mit integrierter Hugging-Face-Unterstützung

[Neuer Agenten-Modus] GPT-Assistent für Android für alle Szenarien, aktivierbar über Lautstärketasten für Sprachinteraktion. Unterstützt Internetzugriff, Fotografieren, Vorlagen, Parsen von PDF- und Office-Dokumenten, Agenten-Modus usw.

UniWorld: Hochauflösende semantische Encoder für einheitliches visuelles Verstehen und Generieren

NEO Series: Native Vision-Language-Modelle von Grund auf

Open-Source SOTA-Modell zur Multi-Bild-Bearbeitung

Einheitliche Codebasis für fortschrittliche Weltmodelle.

Offizielles Repository zum Übersichtsartikel „LLM × DATA“

Eine kuratierte Liste von 3D-Vision-Papern mit Bezug zur Robotik im Zeitalter großer Modelle wie LLMs/VLMs, inspiriert von awesome-computer-vision, einschließlich Papers, Codes und zugehörigen Websites

🚀🚀🚀 Eine Sammlung großartiger öffentlicher Projekte zu Large Language Models (LLM), Vision Language Models (VLM), Vision Language Action (VLA), AI Generated Content (AIGC) sowie den zugehörigen Datensätzen und Anwendungen.

MobileGym: Eine verifizierbare und hochparallele Simulationsplattform für die Forschung zu mobilen GUI-Agenten · Im Browser laufender Android-Emulator · Browser-hosted Android Simulator · Verifizierbare Evaluierung · Skalierbares Online-RL-Training

[CVPR 2026🔥] 🧑‍🎨 OmniLottie, ein Open-Source-Generator für multimodale, instruierte Vektoranimationen, der Lottie-JSONs erstellt.

Dingo: Ein umfassendes Tool zur Qualitätsbewertung von KI-Daten, -Modellen und -Anwendungen

[CVPR 2024 🔥] GeoChat, das erste Grounded Large Vision Language Model für die Erdbeobachtung

[ECCV 2026] SparkVSR: Interaktive Video-Super-Resolution durch spärliche Keyframe-Propagierung

Dieses Repository enthält den Code für „VLM2Vec / MMEB“ [ICLR 2025], „VLM2Vec-V2 / MMEB-V2“ [TMLR 2026] und „MMEB-V3“ [COLM 2026].

Produktionsreife C++ Edge-AI-Engine für Videoanalysen und On-Device VLM auf Sophon, Rockchip RKNN und x86, inklusive visueller Orchestrierung, Echtzeit-OSD, Ereignisverwaltung und reproduzierbaren Benchmarks.