vision-language-model

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) conçu pour atteindre et dépasser les capacités de GPT-4V

X-AnyLabeling : une application de bureau multiplateforme légère, efficace et unifiée pour l'annotation de texte, d'images, de vidéos et de données multimodales, combinant des outils intégrés polyvalents avec des modèles d'IA de pointe et une exportation flexible multi-format.

[CVPR 2024 Oral] Famille InternVL : Une alternative open source pionnière à GPT-4o

Entraînez un VLM de 65 millions de paramètres à partir de zéro en seulement 2 heures !

Le dépôt officiel de Qwen-VL, un modèle de langage visuel large, conversationnel et pré-entraîné, proposé par Alibaba Cloud.

MineContext est votre partenaire IA proactif et conscient du contexte (Context-Engineering + ChatGPT Pulse).

MLX-VLM est un package pour l'inférence et le réglage fin de modèles de vision par langage (VLM) sur Mac via MLX.

Align Anything : Entraînement de modèles multimodaux avec rétroaction.

Boîte à outils d'évaluation multimodale tout-en-un pour les tâches textuelles, d'image, vidéo et audio.

DeepSeek-VL : Vers une compréhension vision-langage en conditions réelles

Dépôt officiel de MiniMax-Text-01 et MiniMax-VL-01, modèles de langage et de vision basés sur l'attention linéaire

Dépôt officiel pour "Mini-Gemini : Exploiter le potentiel des modèles de langage de vision multimodaux"

Collection de modèles vision-langage impressionnants pour les tâches de vision par ordinateur.

Le couteau suisse de l'IA hors ligne. Discutez, voyez, parlez et générez des images sur votre téléphone ou Mac — LLM GGUF, vision, reconnaissance vocale Whisper, Stable Diffusion, appel d'outils et serveurs réseau locaux. Fonctionne sur votre CPU, GPU ou NPU. Aucun compte, aucune clé API, aucune donnée ne quitte votre appareil.

InternLM-XComposer2.5-OmniLive : un système multimodal complet pour les interactions vidéo et audio en streaming à long terme.

Code utilisé pour entraîner et exécuter l'inférence avec les modèles ColVision, tels que ColPali, ColQwen2 et ColSmol.

Le framework Cradle est une première tentative de contrôle informatique général (GCC). Il permet aux agents de réussir n'importe quelle tâche informatique grâce à un raisonnement robuste, une auto-amélioration et une curation de compétences, dans un environnement standardisé aux exigences minimales.

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

[CVPR 2025] Modèle Vision-Language-Action open source de bout en bout pour les agents GUI et l'utilisation informatique

Liste organisée de ressources LLM/VLM/VLA/World Model pour la conduite autonome (LLM4AD) (mise à jour continue)

Le blueprint NVIDIA AI pour la recherche et le résumé vidéo (VSS) est une architecture de référence accélérée par GPU pour créer des agents d'analyse vidéo avec des alertes vérifiées en temps réel, des questions-réponses visuelles et des rapports automatisés. Le blueprint VSS utilise des modèles de langage visuel (VLM) tels que NVIDIA Cosmos, des LLM tels que NVIDIA Nemotron, le RAG et NVIDIA NIMs.

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.

Seed1.5-VL, un modèle de fondation vision-langage conçu pour faire progresser la compréhension et le raisonnement multimodal généraliste, atteignant des performances de pointe sur 38 des 60 benchmarks publics.

Serveur d'inférence LLM haute performance compatible OpenAI et Anthropic pour Apple Silicon. Support natif MLX, traitement par lots continu, modèles multimodaux, appel d'outils MCP et support de Claude Code.

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

[ICCV 2025] Implémentation de Describe Anything : sous-titrage détaillé et localisé d'images et de vidéos

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

Vue d'ensemble des LLM japonais.

Fine-tuning de LLM sur Mac avec Apple Silicon. Support natif MLX pour SFT, DPO, GRPO, Vision, TTS, STT, Embedding et OCR. API compatible avec Unsloth.

Liste impressionnante de modèles multimodaux unifiés.