mllm

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

Nœuds ComfyUI pour les modèles vision-langage : Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclut également la détection à vocabulaire ouvert, la segmentation SAM2/SAM3, le raisonnement temporel vidéo, GGUF via llama.cpp et des API LLM/VLM hébergées.

[ECCV2024] Grand modèle de langage multimodal ancré avec tokenisation visuelle localisée

Article NeurIPS 2024 : Un LLM de vision unifié au niveau du pixel pour la compréhension, la génération, la segmentation et l'édition

Une liste organisée d'articles sur la génération multimodale basée sur les LLM (image, vidéo, 3D et audio).

Awesome Multimodal Modeling [Couvre MLLM, UMM et NMM]