multimodality

Cradle फ़्रेमवर्क General Computer Control (GCC) का पहला प्रयास है। Cradle न्यूनतम आवश्यकताओं के साथ एक मानकीकृत सामान्य वातावरण में मजबूत तर्क क्षमताओं, स्व-सुधार और कौशल क्यूरेशन को सक्षम करके एजेंटों को किसी भी कंप्यूटर कार्य में उत्कृष्टता प्राप्त करने का समर्थन करता है।

AIGC के लिए RAG के बेहतरीन पेपर एकत्र करना। हम "Retrieval-Augmented Generation for AI-Generated Content: A Survey" पेपर में RAG की नींव, संवर्द्धन और अनुप्रयोगों के वर्गीकरण का प्रस्ताव करते हैं।

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।

मल्टीमॉडल रिकमेंडर सिस्टम के लिए एक तुलनात्मक फ्रेमवर्क।

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

स्वचालित मॉडलिंग और मशीन लर्निंग फ्रेमवर्क FEDOT

LLM2CLIP पहले से ही अत्याधुनिक CLIP मॉडल में काफी सुधार करता है।

Woodpecker: मल्टीमॉडल लार्ज लैंग्वेज मॉडल के लिए हेलुसिनेशन करेक्शन

यह रिपॉजिटरी "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI" पेपर के लिए मूल्यांकन कोड प्रदान करती है।

(ECCVW 2025) GPT4RoI: रीजन-ऑफ-इंटरेस्ट पर लार्ज लैंग्वेज मॉडल की इंस्ट्रक्शन ट्यूनिंग।

🔥🔥🔥 LLMs-आधारित मल्टीमॉडल जनरेशन (इमेज, वीडियो, 3D और ऑडियो) पर शोध पत्रों की एक क्यूरेटेड सूची।