vision-language-model

[NeurIPS'23 Oral] Ajuste de instrucciones visuales (LLaVA) diseñado para alcanzar capacidades del nivel de GPT-4V y superiores.

X-AnyLabeling: una aplicación de escritorio multiplataforma ligera, eficiente y unificada para anotar texto, imágenes, video y datos multimodales, que combina herramientas versátiles integradas con modelos de IA de última generación y una exportación flexible en múltiples formatos.

[CVPR 2024 Oral] Familia InternVL: una alternativa de código abierto pionera a GPT-4o. Un modelo de diálogo multimodal de código abierto con un rendimiento cercano al de GPT-4o

👀 ¡Entrena un VLM de 65M de parámetros desde cero en solo 2 horas!

El repositorio oficial de Qwen-VL (通义千问-VL), un modelo grande de lenguaje y visión preentrenado y de chat propuesto por Alibaba Cloud.

MineContext es tu socio de IA proactivo y consciente del contexto (Context-Engineering+ChatGPT Pulse)

MLX-VLM es un paquete para la inferencia y ajuste fino de modelos de lenguaje visual (VLM) en tu Mac utilizando MLX.

Align Anything: Entrenamiento de modelos de todas las modalidades con retroalimentación

Kit de herramientas de evaluación multimodal todo en uno para tareas de texto, imagen, video y audio

DeepSeek-VL: Hacia la comprensión del lenguaje y la visión en el mundo real

El repositorio oficial de MiniMax-Text-01 y MiniMax-VL-01, modelo de lenguaje grande y modelo de visión-lenguaje basado en atención lineal

Repositorio oficial de "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

Colección de increíbles modelos de lenguaje y visión para tareas de visión

La navaja suiza de la IA sin conexión. Chatea, visualiza, habla y genera imágenes en tu teléfono o Mac: LLMs GGUF, visión, conversión de voz a texto con Whisper, Stable Diffusion, llamadas a herramientas y servidores de red local. Se ejecuta en tu CPU, GPU o NPU. Sin cuentas, sin clave de API y cero datos abandonan tu dispositivo.

InternLM-XComposer2.5-OmniLive: Un sistema multimodal completo para interacciones de video y audio en streaming de larga duración

El código utilizado para entrenar y ejecutar inferencias con los modelos ColVision, por ejemplo, ColPali, ColQwen2 y ColSmol.

El framework Cradle es un primer intento de Control General de Computadoras (GCC). Cradle permite a los agentes superar cualquier tarea informática mediante sólidas capacidades de razonamiento, automejora y curación de habilidades, en un entorno general estandarizado con requisitos mínimos.

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

[CVPR 2025] Modelo Vision-Language-Action de código abierto y de extremo a extremo para GUI Agent y uso de computadoras.

Una lista seleccionada de recursos increíbles sobre LLM/VLM/VLA/World Model para conducción autónoma (LLM4AD) (actualizada continuamente)

NVIDIA AI Blueprint para búsqueda y resumen de video (VSS) es una arquitectura de referencia acelerada por GPU para construir agentes de análisis de video con alertas verificadas en tiempo real, preguntas y respuestas visuales, y generación automatizada de informes. El Blueprint VSS utiliza modelos de lenguaje visual (VLMs) como NVIDIA Cosmos, LLMs como NVIDIA Nemotron, RAG y NVIDIA NIMs.

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.

Seed1.5-VL, un modelo base de visión-lenguaje diseñado para avanzar en la comprensión y el razonamiento multimodal de propósito general, logrando un rendimiento de vanguardia en 38 de 60 puntos de referencia públicos.

Servidor de inferencia LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. Incluye MLX nativo, procesamiento por lotes continuo, modelos multimodales, llamadas a herramientas MCP y soporte para Claude Code.

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

[ICCV 2025] Implementación de Describe Anything: subtitulado detallado y localizado de imágenes y videos

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

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

Ajuste fino de LLM en tu Mac con Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding y ajuste fino de OCR, de forma nativa en MLX. API compatible con Unsloth.

Modelos multimodales unificados destacados.