vision-language-model

[NeurIPS'23 Oral] GPT-4V स्तर की क्षमताओं और उससे आगे की ओर निर्मित Visual Instruction Tuning (LLaVA)।

X-AnyLabeling: टेक्स्ट, इमेज, वीडियो और मल्टीमोडल डेटा को एनोटेट करने के लिए एक हल्का, कुशल और एकीकृत क्रॉस-प्लेटफॉर्म डेस्कटॉप एप्लिकेशन, जो अत्याधुनिक AI मॉडल और लचीले मल्टी-फॉर्मेट एक्सपोर्ट के साथ बहुमुखी अंतर्निहित टूल को जोड़ता है।

[CVPR 2024 Oral] InternVL Family: GPT-4o का एक अग्रणी ओपन-सोर्स विकल्प। GPT-4o जैसा प्रदर्शन देने वाला ओपन-सोर्स मल्टीमॉडल वार्ता मॉडल

👀 सिर्फ़ 2 घंटे में शुरुआत से 65M-पैरामीटर VLM ट्रेन करें!

Alibaba Cloud द्वारा प्रस्तावित Qwen-VL (通义千问-VL) चैट और प्रीट्रेन्ड लार्ज विज़न लैंग्वेज मॉडल का आधिकारिक रेपो।

MineContext आपका सक्रिय संदर्भ-जागरूक AI पार्टनर है (Context-Engineering+ChatGPT Pulse)

MLX-VLM MLX का उपयोग करके आपके Mac पर विजन लैंग्वेज मॉडल (VLMs) के अनुमान और फ़ाइन-ट्यूनिंग के लिए एक पैकेज है।

Align Anything: फीडबैक के साथ ऑल-मोडैलिटी मॉडल को प्रशिक्षित करना

टेक्स्ट, इमेज, वीडियो और ऑडियो कार्यों के लिए वन-फॉर-ऑल मल्टीमॉडल मूल्यांकन टूलकिट।

DeepSeek-VL: वास्तविक दुनिया की विज़न-लैंग्वेज समझ की ओर।

Linear Attention पर आधारित लार्ज-लैंग्वेज-मॉडल और विजन-लैंग्वेज-मॉडल, MiniMax-Text-01 और MiniMax-VL-01 की आधिकारिक रिपॉजिटरी

"Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models" का आधिकारिक रिपॉजिटरी

विज़न कार्यों के लिए बेहतरीन vision-language मॉडल्स का संग्रह

ऑफ़लाइन AI का स्विस आर्मी नाइफ। अपने फ़ोन या Mac पर चैट करें, देखें, बोलें और इमेज जनरेट करें — GGUF LLMs, विजन, Whisper स्पीच-टू-टेक्स्ट, Stable Diffusion, टूल कॉलिंग और लोकल-नेटवर्क सर्वर। आपके CPU, GPU या NPU पर चलता है। कोई खाता नहीं, कोई API की नहीं, शून्य डेटा आपके डिवाइस से बाहर जाता है।

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

ColVision मॉडल (जैसे ColPali, ColQwen2, और ColSmol) के साथ ट्रेनिंग और इन्फ्रेंस चलाने के लिए इस्तेमाल किया जाने वाला कोड।

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।

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

[CVPR 2025] GUI एजेंट और कंप्यूटर उपयोग के लिए ओपन-सोर्स, एंड-टू-एंड, विजन-लैंग्वेज-एक्शन मॉडल।

स्वायत्त ड्राइविंग (LLM4AD) संसाधनों के लिए भयानक LLM/VLM/VLA/वर्ल्ड मॉडल की एक क्यूरेटेड सूची (लगातार अपडेट की जाती है)

वीडियो सर्च और समरीकरण (VSS) के लिए NVIDIA AI ब्लूप्रिंट, वास्तविक समय के सत्यापित अलर्ट, विजुअल Q&A और स्वचालित रिपोर्टिंग के साथ वीडियो एनालिटिक्स एजेंट बनाने के लिए एक GPU-त्वरित संदर्भ वास्तुकला है। VSS ब्लूप्रिंट NVIDIA Cosmos जैसे विजन लैंग्वेज मॉडल (VLM), NVIDIA Nemotron जैसे LLM, RAG और NVIDIA NIMs का उपयोग करता है।

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।

Seed1.5-VL, एक विजन-लैंग्वेज फाउंडेशन मॉडल है जिसे सामान्य-उद्देश्य मल्टीमॉडल समझ और तर्क को आगे बढ़ाने के लिए डिज़ाइन किया गया है, जो 60 में से 38 सार्वजनिक बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है

Apple Silicon के लिए हाई-परफॉरमेंस OpenAI और Anthropic संगत LLM इन्फेरेंस सर्वर। नेटिव MLX, निरंतर बैचिंग, मल्टीमॉडल मॉडल, MCP टूल कॉलिंग, और Claude Code समर्थन।

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

[ICCV 2025] Describe Anything के लिए इम्प्लीमेंटेशन: विस्तृत स्थानीयकृत इमेज और वीडियो कैप्शनिंग

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।

जापानी LLM सारांश - जापानी LLM का अवलोकन

Apple Silicon वाले Mac पर LLM को फाइन-ट्यून करें। SFT, DPO, GRPO, Vision, TTS, STT, Embedding और OCR फाइन-ट्यूनिंग — MLX पर नेटिव रूप से। Unsloth-compatible API।

शानदार Unified Multimodal Models की सूची