multimodal

SDK pour interagir avec les API de stability.ai (par exemple, l'inférence Stable Diffusion).

mPLUG-DocOwl : Modèle de langage multimodal modulaire pour la compréhension de documents

[ECCV2024] Modèles de fondation vidéo et données pour la compréhension multimodale.

🎨 NeMo Data Designer : Générez des données synthétiques de haute qualité à partir de zéro ou de données sources.

GenAI Processors est une bibliothèque Python légère permettant un traitement de contenu efficace et parallèle.

Permet à Claude (ou tout autre LLM) de visionner une vidéo : analyse de scènes, déduplication d'images et transcription, à partir d'une URL ou d'un fichier local. Exécution locale, sous licence MIT.

IA multimodale en temps réel sur appareil, avec des fonctionnalités similaires à GPT-Live

[ICLR & NeurIPS 2025] Dépôt pour la série Show-o, un transformeur unique pour unifier la compréhension et la génération multimodales.

Une implémentation open-source pour le fine-tuning de la série Qwen-VL d'Alibaba Cloud.

Implémentation en PyTorch de « BitNet: Scaling 1-bit Transformers for Large Language Models ».

Une collection d'idées et d'algorithmes originaux et innovants pour des machines littéraires avancées. Ce projet est maintenu par l'équipe OCR du Language Technology Lab, Tongyi Lab, Alibaba Group.

Synthèse de programmes graphiques pour figures scientifiques et croquis avec TikZ.

Le système d'auto-codage pour votre application — SDK Alan AI pour Android

Le système d'auto-codage pour votre application — SDK Alan AI pour Flutter

Le système d'auto-codage pour votre application — SDK Alan AI pour Ionic.

Backend multimodal unifié pour les applications de données IA

LLM multimodal rapide pour appareils mobiles

Obtenez des données propres à partir de documents complexes, grâce aux modèles de vision-langage ⚡

Une nouvelle architecture de modèle de langage multimodal (MLLM), conçue pour aligner structurellement les plongements visuels et textuels.

Intelligence visuelle pour votre domicile.

Vue d'ensemble des LLM japonais.

Ce dépôt est l'implémentation officielle 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.

Moteur d'inférence hors ligne pour l'art, les conversations vocales en temps réel, les chatbots basés sur LLM et les flux de travail automatisés.

Catalogue visuel organisé de plus de 155 architectures de modèles vision-langage (VLM/MLLM) : articles, diagrammes, recettes d'entraînement, jeux de données et chronologie des versions pour les agents IA multimodaux.

Donnez à Claude la capacité de regarder et de comprendre des vidéos — plugin Claude Code avec extraction d'images et analyse audio multimodale

IA multimodale de poche pour la compréhension et la génération de contenu textuel, image et bientôt vidéo, jusqu'à 5 fois plus rapide qu'OpenAI CLIP et LLaVA

Xtreme1 est une plateforme tout-en-un d'étiquetage et d'annotation de données pour l'entraînement multimodal, prenant en charge les nuages de points LiDAR 3D, les images et les LLM.

Unification de la génération de maillages 3D avec des modèles de langage.

Transformez vos documents en Markdown prêt pour l'IA grâce à la compréhension visuelle