multimodal

टेक्स्ट-ओनली LLMs के लिए डिज़ाइन किया गया एक विज़न टूलकिट - इमेज Q&A, लॉन्ग-स्क्रीनशॉट OCR, फ्रंटएंड UI रिस्टोरेशन और GUI ऑटोमेशन, जिसमें कई मुख्य एजेंट्स के साथ सहज एकीकरण का विकल्प है

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

SGLang-Omni, TTS, ASR, स्पीच और ओम्नी मॉडल के लिए उच्च-प्रदर्शन सर्विंग को सक्षम बनाता है।

MOVA: स्केलेबल और सिंक्रोनाइज़्ड वीडियो-ऑडियो जनरेशन की दिशा में

टेक्स्ट-ओनली DeepSeek Harness एजेंटों के लिए विज़न: इन-बिल्ट फ्री विज़न चेन (बिना की के) + पिक्सेल-लेवल विज़न टूल्स (Q&A, ग्राउंडिंग, क्रॉप, पिक्सेल डिफ, कलर्स, OCR, SVG ट्रेस, कटआउट, स्क्रीनशॉट)। वन-कमांड इंस्टॉलेशन, कोई Python नहीं, इमेज टर्न सामान्य टूल-कॉलिंग टर्न की तरह काम करते हैं।

Aria के लिए कोडबेस - एक ओपन मल्टीमॉडल नेटिव MoE

चेस्ट एक्स-रे पढ़ने वाला पहला चीनी मल्टीमॉडल मेडिकल मॉडल।

[ICLR'24 स्पॉटलाइट] चीनी और अंग्रेजी मल्टीमॉडल लार्ज मॉडल सीरीज़ (चैट और पेंट) | CPM बेस मॉडल पर आधारित चीनी-अंग्रेजी द्विभाषी मल्टीमॉडल लार्ज मॉडल सीरीज़

विज़न, ऑडियो और भाषा मोडैलिटीज़ के लिए एक सामान्य प्रतिनिधित्व मॉडल। पेपर: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ECCV 2024 बेस्ट पेपर कैंडिडेट और TPAMI 2025] PointLLM: लार्ज लैंग्वेज मॉडल को पॉइंट क्लाउड को समझने में सक्षम बनाना

"CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval" के लिए आधिकारिक कार्यान्वयन

मल्टीमोडल चेन-ऑफ-थॉट रीजनिंग: एक व्यापक सर्वेक्षण

TongFlow — मल्टीमॉडल GenAI स्टूडियो।

वेक्टर सर्च और LLMs का उपयोग करके मल्टीमॉडल AI, RAG और एजेंट्स के लिए संसाधन, उदाहरण और ट्यूटोरियल

डिफ्यूजन और ओम्नी मॉडल के लिए मल्टीमॉडल RL प्रशिक्षण फ्रेमवर्क

RAG Time: RAG में महारत हासिल करने के लिए 5-सप्ताह की सीखने की यात्रा।

यह रिपॉजिटरी सबसे रोमांचक और प्रभावशाली CVPR 2025 पेपरों का एक क्यूरेटेड संग्रह है। 🔥 [पेपर + कोड + डेमो]

NEO सीरीज: फर्स्ट प्रिंसिपल्स से नेटिव विज़न-लैंग्वेज मॉडल्स

AnyGPT: डिस्क्रीट सीक्वेंस मॉडलिंग के साथ यूनिफाइड मल्टीमॉडल LLM के लिए कोड

⚡ FastAPI, Playwright, और OpenAI-संगत मल्टीмодаल मॉडल के साथ निर्मित सेल्फ-होस्ट करने योग्य YesCaptcha-संगत कैप्चा सॉल्वर।

एक सरल, एकीकृत मल्टीमॉडल मॉडल ट्रेनिंग इंजन। लीन, फ्लेक्सिबल और बड़े पैमाने पर हैकिंग के लिए बनाया गया।

[TMLR 2025🔥] विजन में ऑटोरिग्रेसिव मॉडल के लिए एक सर्वेक्षण।

वैज्ञानिक पत्रों पर NLP और CV अनुसंधान का समर्थन करने वाली लाइब्रेरी

Pytorch में कंट्रास्टिव रूप से मॉडल को ट्रेन करें

लोकल मॉनिटरिंग + AI विज़न — डेटा अधिग्रहण और विश्लेषण के लिए संरचित इवेंट आउटपुट के साथ LAN-आधारित स्मार्टफोन-संचालित AI मॉनिटरिंग फ्रेमवर्क।

मल्टीमोडल और बड़े भाषा मॉडल के बारे में पेपर सूची, जिसका उपयोग केवल व्यक्तिगत आवश्यकताओं के लिए दैनिक arxiv में पढ़े गए कागजात को रिकॉर्ड करने के लिए किया जाता है।

[ECCV 2024] InstructIR: मानव निर्देशों के बाद उच्च-गुणवत्ता वाली छवि पुनर्स्थापना https://huggingface.co/spaces/marcosv/InstructIR

Paddle मल्टीमॉडल इंटीग्रेशन और एक्सप्लोरेशन, जो मुख्यधारा के मल्टी-मॉडल कार्यों का समर्थन करता है, जिसमें एंड-टू-एंड लार्ज-स्केल मल्टी-मॉडल प्रीट्रेन मॉडल और डिफ्यूजन मॉडल टूलबॉक्स शामिल हैं। उच्च प्रदर्शन और लचीलेपन से लैस।

मल्टीमॉडल रिकमेंडेशन के लिए एक टूलबॉक्स। 10+ मॉडल्स को एकीकृत करता है...

इस रिपॉजिटरी में "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026], और "MMEB-V3" [COLM 2026] के लिए कोड शामिल है