mllm

Nodos de ComfyUI para modelos de lenguaje visual: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Incluye detección de vocabulario abierto, segmentación SAM2/SAM3, razonamiento temporal de video, GGUF mediante llama.cpp y APIs de LLM/VLM alojadas.

[ICLR2026] Implementación oficial de "JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation"

[ECCV2024] Modelo de lenguaje multimodal fundamentado con tokenización visual localizada

Artículo de NeurIPS 2024: Un LLM de visión a nivel de píxel unificado para comprender, generar, segmentar y editar

🔥🔥🔥 Una lista seleccionada de artículos sobre generación multimodal basada en LLMs (imagen, video, 3D y audio).

Awesome Multimodal Modeling [cubre MLLM, UMM y NMM]