vlm

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 increíbles proyectos públicos de la serie de detección de objetos YOLO y conjuntos de datos relacionados.

Forma declarativa de ejecutar modelos de IA en React Native en el dispositivo, impulsada por ExecuTorch.

OpenGUI es un framework de agente GUI para Android para IA de uso telefónico que puede ver, planificar y operar aplicaciones móviles reales a través de la GUI.

Kit de herramientas de compresión de modelos diseñado para mejorar la usabilidad, la exhaustividad y la eficiencia.

Awesome-Jailbreak-on-LLMs es una colección de métodos de jailbreak novedosos y de vanguardia para LLMs. Contiene artículos, código, conjuntos de datos, evaluaciones y análisis.

Monitoreo de cámaras con VLM

Optimización del diseño de aeronaves acelerada mediante transformaciones de grafos computacionales (p. ej., diferenciación automática). Herramientas de análisis componibles para aerodinámica, propulsión, estructuras, diseño de trayectorias y mucho más.

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.

JoyCaption es un modelo de lenguaje visual (VLM) de subtitulado de imágenes creado desde cero como un modelo gratuito, abierto y sin censura para que la comunidad lo utilice en el entrenamiento de modelos de difusión.

Un agente GUI de código abierto basado en VLM de extremo a extremo.

Plataforma abierta de InternRobotics para construir modelos base de navegación generalizada.

Una familia de modelos multimodales ligeros.

MindSpore + 🤗Huggingface: Ejecute cualquier modelo de Transformers/Diffusers en MindSpore con compatibilidad y aceleración perfectas.

Biblioteca de entrenamiento nativo distribuido de Pytorch para LLMs/VLMs con soporte inmediato para Hugging Face

Asistente GPT para Android con modo agente, activable mediante teclas de volumen para interacción por voz, compatible con navegación web, fotos, plantillas, análisis de documentos y modo agente.

UniWorld: codificadores semánticos de alta resolución para la comprensión y generación visual unificada.

Serie NEO: modelos de visión-lenguaje nativos desde los principios fundamentales

Modelo de edición multi-imagen SOTA de código abierto

Base de código unificada para modelos de mundo avanzados.

Una lista curada de artículos de visión 3D relacionados con el dominio de la robótica en la era de los grandes modelos, es decir, LLMs/VLMs, inspirada en awesome-computer-vision, que incluye artículos, códigos y sitios web relacionados

Repositorio oficial del artículo de revisión LLM × DATA

Una colección de proyectos públicos sobre modelos de lenguaje extensos (LLM), modelos de lenguaje visual (VLM), acción de lenguaje visual (VLA), contenido generado por IA (AIGC), y sus conjuntos de datos y aplicaciones relacionados.

MobileGym: Una plataforma de simulación verificable y altamente paralela para la investigación de agentes de GUI móvil · Simulador de Android alojado en navegador · Evaluación verificable · Entrenamiento de RL en línea escalable

[CVPR 2026🔥] OmniLottie, un generador de animaciones vectoriales instruido y multimodal de código abierto que produce archivos Lottie JSON.

Dingo: Una herramienta integral de evaluación de calidad para datos, modelos y aplicaciones de IA

[CVPR 2024 🔥] GeoChat, el primer modelo de lenguaje y visión a gran escala fundamentado para teledetección

[ECCV 2026] SparkVSR: Superresolución de video interactiva mediante propagación de fotogramas clave dispersos

Motor de IA de borde en C++ de nivel de producción para análisis de video y VLM en dispositivo a través de Sophon, Rockchip RKNN y x86, con orquestación visual, OSD en tiempo real, eventos y benchmarks reproducibles.

Este repositorio contiene el código para "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] y "MMEB-V3" [COLM 2026].