multimodal

stability.ai API के साथ इंटरैक्ट करने के लिए SDK (उदा. stable diffusion इन्फॉरेंस)

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

[ECCV2024] मल्टीमॉडल समझ के लिए वीडियो फाउंडेशन मॉडल और डेटा

🎨 NeMo Data Designer: शुरुआत से या सीड डेटा से उच्च गुणवत्ता वाला सिंथेटिक डेटा जनरेट करें।

GenAI Processors एक हल्की Python लाइब्रेरी है जो कुशल, समानांतर सामग्री प्रसंस्करण को सक्षम बनाती है।

Claude (या किसी भी LLM) को वास्तव में वीडियो देखने दें — सीन-अवेयर, डिडुप्लीकेटेड फ़्रेम + ट्रांसक्रिप्ट, URL या स्थानीय फ़ाइल से। स्थानीय रूप से चलता है, MIT।

GPT-Live के समान सुविधाओं के साथ ऑन-डिवाइस, रीयल-टाइम मल्टीмоdal AI

[ICLR & NeurIPS 2025] Show-o श्रृंखला के लिए रिपॉजिटरी, मल्टीमॉडल समझ और पीढ़ी को एकजुट करने के लिए एक सिंगल ट्रांसफॉर्मर।

Alibaba Cloud द्वारा Qwen-VL सीरीज़ को फाइन-ट्यून करने के लिए एक ओपन-सोर्स कार्यान्वयन।

pytorch में "BitNet: Scaling 1-bit Transformers for Large Language Models" का कार्यान्वयन

Advanced Literate Machinery की दिशा में मूल, नवीन विचारों और एल्गोरिदम का एक संग्रह। इस प्रोजेक्ट का रखरखाव Alibaba Group के Tongyi Lab की OCR टीम द्वारा किया जाता है।

TikZ के साथ वैज्ञानिक आकृतियों और रेखाचित्रों के लिए ग्राफ़िक्स प्रोग्राम्स का संश्लेषण।

आपके ऐप के लिए सेल्फ-कोडिंग सिस्टम — Android के लिए Alan AI SDK

आपके ऐप के लिए सेल्फ-कोडिंग सिस्टम — Flutter के लिए Alan AI SDK

आपके ऐप के लिए सेल्फ-कोडिंग सिस्टम — Ionic के लिए Alan AI SDK

AI डेटा ऐप्स के लिए एकीकृत मल्टीमॉडल बैकएंड

: मोबाइल उपकरणों पर तेज़ मल्टीमॉडल LLM

विज़न-लैंग्वेज मॉडल द्वारा संचालित, पेचीदा दस्तावेजों से साफ डेटा प्राप्त करें ⚡

एक नवीन मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) आर्किटेक्चर, जिसे दृश्य और पाठ्य एम्बेडिंग को संरचनात्मक रूप से संरेखित करने के लिए डिज़ाइन किया गया है।

आपके घर के लिए विजुअल इंटेलिजेंस।

जापानी LLM सारांश - जापानी LLM का अवलोकन

WeMM-Embedding is a family of universal multimodal embedding models by the WeChat Vision Team at Tencent, supporting multimodal understanding and retrieval.

यह रिपॉजिटरी Handwriting Generation (CVPR 2023) के लिए Disentangling Writer and Character Styles का आधिकारिक कार्यान्वयन है

कला, वास्तविक समय की आवाज़ बातचीत, LLM-संचालित चैटबॉट्स और स्वचालित वर्कफ़्लो के लिए ऑफ़लाइन अनुमान इंजन

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

Claude को वीडियो देखने और समझने की क्षमता दें — फ्रेम निष्कर्षण और मल्टीमॉडल ऑडियो विश्लेषण के साथ Claude Code प्लगइन

बहुभाषी टेक्स्ट, इमेज और 🔜 वीडियो में कंटेंट को समझने और जनरेट करने के लिए पॉकेट-साइज़ मल्टीमॉडल AI, जो OpenAI CLIP और LLaVA से 5 गुना तक तेज़ है 🖼️ & 🖋️

Xtreme1 मल्टीमॉडल डेटा ट्रेनिंग के लिए एक ऑल-इन-वन डेटा लेबलिंग और एनोटेशन प्लेटफॉर्म है और यह 3D LiDAR पॉइंट क्लाउड, इमेज और LLM को सपोर्ट करता है।

Language Models के साथ 3D Mesh Generation का एकीकरण।

시각적 이해를 바탕으로 문서를 AI 준비 완료된 Markdown으로 변환