vlm

🤗 Transformers: el marco de definición de modelos para aprendizaje automático de última generación en texto, visión, audio y modelos multimodales, tanto para inferencia como para entrenamiento.

La pila de agentes de IA multimodales de código abierto: conectando modelos de IA de vanguardia e infraestructura de agentes

SGLang es un marco de servicio de alto rendimiento para modelos de lenguaje grande y modelos multimodales.

Herramientas listas para producción para ejecutar IA de forma local.

El fin del análisis web. El comienzo de la búsqueda nativa de píxeles escalable. Enlace: https://pixelrag.ai/

Una colección de tutoriales sobre modelos y técnicas de visión artificial de vanguardia. Explora desde arquitecturas fundamentales como ResNet hasta modelos de última generación como RF-DETR, YOLO11, SAM 3 y Qwen3-VL.

Libros, artículos, videos y cajas de herramientas relacionados con la detección de anomalías. ¡Última actualización a finales de 2025 para trabajos de LLM y VLM!

Ejecuta LLMs y VLMs de vanguardia localmente en dispositivos Qualcomm a través de NPU, GPU y CPU con unas pocas líneas de código

El repositorio oficial para ERNIE 4.5 y ERNIEKit, su kit de herramientas de desarrollo de nivel industrial basado en PaddlePaddle.

Resuelve la comprensión visual con VLMs reforzados

Un framework MCP de código bajo para construir pipelines RAG complejos e innovadores

🌟 ¡Más de 100 mapas de algoritmos de LLM / RL originales 📚, una gran obra del autor de "Algoritmos de Grandes Modelos"! 💥 (100+ LLM/RL Algorithm Maps)

StarVector es un modelo base para la generación de SVG que transforma la vectorización en una tarea de generación de código. Utilizando una arquitectura de modelado de visión y lenguaje, StarVector procesa entradas visuales y textuales para producir código SVG de alta calidad con notable precisión.

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

[CVPR 2026] PromptEnhancer es una herramienta de reescritura de prompts que los refina en versiones más claras y estructuradas para una mejor generación de imágenes.

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

Un marco de trabajo optimizado y personalizable para la evaluación eficiente y el análisis de rendimiento de modelos grandes (LLM, VLM, AIGC).

Una herramienta de gestión de archivos impulsada por IA que garantiza la privacidad al organizar textos e imágenes locales. Utilizando los modelos Llama3.2 3B y Llava v1.6 con el SDK de Nexa, escanea, reestructura y organiza intuitivamente los archivos para un acceso rápido y fluido, y una fácil recuperación.

Skywork-R1V es una serie avanzada de modelos de IA multimodal desarrollada por Skywork AI, especializada en razonamiento de visión-lenguaje.

[NeurIPS 2024] OSWorld: Evaluación comparativa de agentes multimodales para tareas abiertas en entornos informáticos reales

Plataforma de habilidades de cámara de IA de código abierto, AI NVR y videovigilancia CCTV. Análisis de video local con VLM usando Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. Agente de cámara de seguridad inteligente impulsado por LLM: observa, entiende, recuerda y protege su hogar a través de Telegram, Discord o Slack. Habilidades de IA acoplables. OpenAI, Google, Anthropic o IA local. Funciona en Mac Mini y AI PC.

[EMNLP-2024] Construye agentes de lenguaje multimodales para prototipado rápido y producción

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.

GLM-4.6V/4.5V/4.1V-Thinking: Hacia un razonamiento multimodal versátil con aprendizaje por refuerzo escalable

Framework de agentes LLM en ComfyUI que incluye servidor MCP, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0 y nodos de prompts para FLUX, acceso a Feishu, Discord, y se adapta a todos los LLM con interfaces similares a OpenAI / aisuite, como o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Adaptado a LLM locales, VLM, GGUF como llama-3.3 Janus-Pro, Linkage graphRAG

Implementación y extensión de código abierto de PaperBanana de Google Research para figuras académicas automatizadas, diagramas y visuales de investigación, ampliada a nuevos dominios como la generación de diapositivas.

Conjunto de herramientas de reproducción de extremo a extremo para el protocolo de suscripción de ChatGPT Plus/Team/Pro con solucionador visual de hCaptcha e investigación empírica anti-fraude

TokenSpeed es un motor de inferencia de LLM a la velocidad de la luz.

Una lista de lectura sobre seguridad, protección y privacidad de modelos grandes (incluyendo Awesome LLM Security, Safety, etc.).

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