multimodal

SDK para interactuar con las API de stability.ai (p. ej. inferencia de stable diffusion)

mPLUG-DocOwl: Modelo de lenguaje grande multimodal modularizado para la comprensión de documentos

[ECCV2024] Modelos base de video y datos para comprensión multimodal

🎨 NeMo Data Designer: Genera datos sintéticos de alta calidad desde cero o a partir de datos semilla.

GenAI Processors es una biblioteca ligera de Python que permite el procesamiento de contenido eficiente y en paralelo.

Permite que Claude (o cualquier LLM) vea realmente un video: fotogramas conscientes de escenas y deduplicados + transcripción, desde una URL o archivo local. Se ejecuta localmente, bajo licencia MIT.

IA multimodal en tiempo real y en el dispositivo con funciones similares a GPT-Live

[ICLR & NeurIPS 2025] Repositorio para la serie Show-o, un único Transformer para unificar la comprensión y generación multimodal.

Una implementación de código abierto para el ajuste fino de la serie Qwen-VL de Alibaba Cloud.

Implementación de "BitNet: Scaling 1-bit Transformers for Large Language Models" en PyTorch.

Una colección de ideas y algoritmos originales e innovadores hacia Advanced Literate Machinery. Este proyecto lo mantiene el equipo de OCR en el Language Technology Lab, Tongyi Lab, Alibaba Group.

Síntesis de programas gráficos para figuras científicas y bocetos con TikZ.

El sistema de autoprogramación para tu aplicación — Alan AI SDK para Android

El sistema de autocodificación para tu aplicación: Alan AI SDK para Flutter.

El sistema de autocodificación para su aplicación: SDK de Alan AI para Ionic.

Backend multimodal unificado para aplicaciones de datos de IA.

LLM multimodal rápido para dispositivos móviles.

Obtén datos limpios de documentos complejos, potenciado por modelos de visión y lenguaje ⚡

Una novedosa arquitectura de modelo de lenguaje multimodal (MLLM) diseñada para alinear estructuralmente incrustaciones visuales y textuales.

Inteligencia visual para tu hogar.

Resumen de LLM en japonés - Descripción general de los LLM japoneses.

Este repositorio es la implementación oficial de Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)

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

Motor de inferencia offline para arte, conversaciones de voz en tiempo real, chatbots impulsados por LLM y flujos de trabajo automatizados

Catálogo visual curado de más de 155 arquitecturas de modelos de visión-lenguaje (VLM/MLLM): artículos, diagramas, recetas de entrenamiento, conjuntos de datos y una línea de tiempo de lanzamiento para agentes de IA multimodal.

Dale a Claude la capacidad de ver y entender videos: plugin de Claude Code con extracción de fotogramas y análisis de audio multimodal

IA multimodal de bolsillo para la comprensión y generación de contenido en textos multilingües, imágenes y próximamente video, hasta 5 veces más rápida que OpenAI CLIP y LLaVA.

Xtreme1 es una plataforma integral de etiquetado y anotación de datos para el entrenamiento de datos multimodales, compatible con nubes de puntos LiDAR 3D, imágenes y LLM.

Unificación de la generación de mallas 3D con modelos de lenguaje

Convierte documentos en Markdown listo para IA con comprensión visual.