vlm

🤗 Transformers : le framework de définition de modèles pour l'apprentissage automatique de pointe en texte, vision, audio et multimodal, pour l'inférence et l'entraînement.

La pile d'agents IA multimodaux open-source : connectez des modèles d'IA de pointe et une infrastructure d'agents

SGLang est un framework de service haute performance pour les grands modèles de langage et les modèles multimodaux.

Boîte à outils prête pour la production pour exécuter l'IA localement.

La fin de l'analyse web. Le début de la recherche native par pixels à grande échelle. Lien : https://pixelrag.ai/

Une collection de tutoriels sur les modèles et techniques de vision par ordinateur de pointe. Explorez tout, des architectures fondamentales comme ResNet aux modèles de pointe comme RF-DETR, YOLO11, SAM 3 et Qwen3-VL.

Livres, articles, vidéos et boîtes à outils sur la détection d'anomalies. Dernière mise à jour fin 2025 pour les travaux sur les LLM et VLM !

Exécutez des LLM et VLM de pointe localement sur des appareils Qualcomm via NPU, GPU et CPU avec quelques lignes de code.

Le dépôt officiel pour ERNIE 4.5 et ERNIEKit, son kit de développement industriel basé sur PaddlePaddle.

Résoudre la compréhension visuelle avec des VLM renforcés

Un framework MCP low-code pour construire des pipelines RAG complexes et innovants.

🌟 100+ schémas originaux sur les LLM / RL 📚, présentés par l'auteur de « Algorithmes de grands modèles » ! 💥

StarVector est un modèle de fondation pour la génération de SVG qui transforme la vectorisation en une tâche de génération de code. Utilisant une architecture de modélisation vision-langage, StarVector traite les entrées visuelles et textuelles pour produire du code SVG de haute qualité avec une précision remarquable.

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

[CVPR 2026] PromptEnhancer est un outil de réécriture de prompts, affinant les prompts en versions plus claires et structurées pour une meilleure génération d'images.

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

Un framework rationalisé et personnalisable pour l'évaluation efficace et le benchmarking de performance des grands modèles (LLM, VLM, AIGC).

Un outil de gestion de fichiers alimenté par l'IA qui garantit la confidentialité en organisant les textes et images locaux. Utilisant les modèles Llama3.2 3B et Llava v1.6 avec le SDK Nexa, il scanne, restructure et organise intuitivement les fichiers pour un accès rapide et une récupération facile.

Skywork-R1V est une série de modèles d'IA multimodaux avancés développée par Skywork AI, spécialisée dans le raisonnement vision-langage.

[NeurIPS 2024] OSWorld : évaluation comparative d'agents multimodaux pour des tâches ouvertes dans des environnements informatiques réels.

Plateforme open source de compétences pour caméra IA, NVR et surveillance CCTV. Analyse vidéo locale par VLM (Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26). Agent de sécurité intelligent avec intégration Telegram, Discord ou Slack. Fonctionne sur Mac Mini et PC IA.

[EMNLP-2024] Création d'agents linguistiques multimodaux pour le prototypage rapide et la production

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.

GLM-4.6V/4.5V/4.1V-Thinking : Vers un raisonnement multimodal polyvalent grâce à l'apprentissage par renforcement évolutif

Framework d'agent LLM dans ComfyUI incluant des nœuds pour serveur MCP, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0 et FLUX, accès à Feishu, discord, et compatible avec tous les LLM utilisant des interfaces similaires à openai / aisuite, tels que o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Adapté aux LLM locaux, VLM et GGUF tels que llama-3.3, Janus-Pro et Linkage graphRAG.

Implémentation open source et extension du projet PaperBanana de Google Research pour la génération automatisée de figures, diagrammes et visuels de recherche, étendue à de nouveaux domaines comme la création de diapositives.

Boîte à outils de rejeu de protocole de bout en bout pour les abonnements ChatGPT Plus/Team/Pro, incluant un solveur hCaptcha et une recherche empirique sur les mécanismes anti-fraude

TokenSpeed est un moteur d'inférence LLM ultra-rapide.

Liste de lecture sur la sûreté, la sécurité et la confidentialité des grands modèles (incluant Awesome LLM Security, Safety, etc.).

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