mllm

टास्क, भाषाओं और मोडैलिटीज में बड़े पैमाने पर सेल्फ-सुपरवाइज्ड प्री-ट्रेनिंग

Agent S: एक ओपन एजेंटिक फ्रेमवर्क जो कंप्यूटर का उपयोग इंसानों की तरह करता है

Mobile-Agent: 강력한 GUI Agent 패밀리

[NeurIPS 2025] SpatialLM: संरचित इनडोर मॉडलिंग के लिए लार्ज लैंग्वेज मॉडल का प्रशिक्षण

[CVPR'25] पेपर के लिए आधिकारिक कार्यान्वयन - MagicQuill: एक बुद्धिमान इंटरैक्टिव इमेज एडिटिंग सिस्टम

चेन-ऑफ़-थॉट प्रॉम्प्टिंग से लेकर OpenAI o1 और DeepSeek-R1 🍓 तक

ICML 2024 पेपर के लिए कोड और मॉडल, NExT-GPT: एनी-टू-एनी मल्टीमॉडल लार्ज लैंग्वेज मॉडल

Eagle: डेटा-केंद्रित रणनीतियों के साथ फ्रंटियर विजन-लैंग्वेज मॉडल

InternLM-XComposer2.5-OmniLive: लॉन्ग-टर्म स्ट्रीमिंग वीडियो और ऑडियो इंटरैक्शन के लिए एक व्यापक मल्टीमॉडल सिस्टम

mPLUG-DocOwl: दस्तावेज़ को समझने के लिए मॉड्यूलर मल्टीमॉडल लार्ज लैंग्वेज मॉडल

Cambrian-1 विजन-सेंट्रिक डिज़ाइन वाले मल्टीमॉडल LLM का एक परिवार है।

🚀🚀🚀 कुछ बेहतरीन public YOLO object detection series प्रोजेक्ट्स और संबंधित object detection datasets का संग्रह।

Pixel-LLM कोडबेस के लिए आधिकारिक रेपो: Sa2VA (T-PAMI-26), SAMTok (CVPR-26), VRT (Arxiv-25), SaSaSa2VA (LSVOS के लिए पहला समाधान)

[CVPR2026] नेक्स्ट पॉइंट प्रेडिक्शन के माध्यम से कुछ भी डिटेक्ट करें

155+ विजन-लैंग्वेज मॉडल (VLM/MLLM) आर्किटेक्चर की क्यूरेटेड विजुअल कैटलॉग: पेपर, आरेख, ट्रेनिंग रेसिपी, डेटासेट, और मल्टीमॉडल AI एजेंटों के लिए रिलीज़ टाइमलाइन।

लोकतांत्रिक मल्टीमॉडल प्रशिक्षण के लिए पूर्ण रूप से ओपन फ्रेमवर्क

हल्के मल्टीमॉडल मॉडलों का एक परिवार।

OpenEMMA, Waymo के EMMA मॉडल का एक परमीसिव लाइसेंस प्राप्त ओपन सोर्स "रीप्रोडक्शन"।

NEO सीरीज: फर्स्ट प्रिंसिपल्स से नेटिव विज़न-लैंग्वेज मॉडल्स

[NeurIPS' 2025] JarvisArt: एक बुद्धिमान फोटो रीटचिंग एजेंट के माध्यम से मानवीय कलात्मक रचनात्मकता को स्वतंत्र करना

[CVPR2024] "Osprey: Pixel Understanding with Visual Instruction Tuning" के लिए कोड

[NeurIPS 2025 स्पॉटलाइट] "FutureSightDrive: Thinking Visually with Spatio-Temporal CoT for Autonomous Driving" का आधिकारिक कार्यान्वयन।

[NeurIPS 2025] 4KAgent: एजेंटिक एनी इमेज टू 4K सुपर-रिज़ॉल्यूशन। एक बुद्धिमान कंप्यूटर विजन एजेंट जो किसी भी इमेज को जादुई रूप से परफेक्ट 4K में रिस्टोर कर सकता है।

🚀🚀🚀 लार्ज लैंग्वेज मॉडल (LLM), विज़न लैंग्वेज मॉडल (VLM), विज़न लैंग्वेज एक्शन (VLA), AI जेनरेटेड कंटेंट (AIGC), और संबंधित डेटासेट व एप्लिकेशन के बारे में कुछ बेहतरीन सार्वजनिक प्रोजेक्ट्स का संग्रह।

यह सीन ग्राफ जनरेशन और एप्लिकेशन पर शोध पत्रों को सूचीबद्ध करने के लिए एक रिपॉजिटरी है।

पर्सनल प्रोजेक्ट: MPP-Qwen14B और MPP-Qwen-Next (Qwen-LM पर आधारित मल्टीमॉडल पाइपलाइन पैरेलल)। [वीडियो/इमेज/मल्टी-इमेज] {sft/conversations} का समर्थन करता है। अपनी कल्पना को सीमित न होने दें! RTX3090/4090 24GB पर अपना खुद का 8B/14B LLaVA-ट्रेनिंग जैसा MLLM ट्रेन करें।

यूनिफाइड मल्टीमॉडल जनरेशन के रूप में विज़न

Woodpecker: मल्टीमॉडल लार्ज लैंग्वेज मॉडल के लिए हेलुसिनेशन करेक्शन

[ICLR 2025] FakeShield: मल्टी-मोडल लार्ज लैंग्वेज मॉडल्स के माध्यम से व्याख्या योग्य इमेज फोर्जरी डिटेक्शन और लोकलाइजेशन।

Emotion-LLaMA: इंस्ट्रक्शन ट्यूनिंग के साथ मल्टीमॉडल इमोशन रिकग्निशन और रीजनिंग