vlm

🤗 Transformers: टेक्स्ट, विज़न, ऑडियो और मल्टीमॉडल मॉडल में अत्याधुनिक मशीन लर्निंग मॉडल के लिए मॉडल-परिभाषा फ्रेमवर्क, जो इंफरेंस और ट्रेनिंग दोनों के लिए है।

The Open-Source Multimodal AI Agent Stack: अत्याधुनिक AI मॉडल और एजेंट इन्फ्रा को जोड़ना

SGLang बड़े भाषा मॉडल और मल्टीमॉडल मॉडल के लिए एक उच्च-प्रदर्शन सर्विंग फ्रेमवर्क है।

स्थानीय रूप से AI चलाने के लिए प्रोडक्शन-रेडी टूलकिट

वेब पारsing का अंत। स्केलेबल पिक्सेल-नेটিভ खोज की शुरुआत। लिंक: https://pixelrag.ai/

अत्याधुनिक कंप्यूटर विज़न मॉडल और तकनीकों पर ट्यूटोरियल का संग्रह। ResNet जैसे बुनियादी आर्किटेक्चर से लेकर RF-DETR, YOLO11, SAM 3 और Qwen3-VL जैसे अत्याधुनिक मॉडल तक सब कुछ एक्सप्लोर करें।

विसंगति का पता लगाने (anomaly detection) से संबंधित पुस्तकें, शोध पत्र, वीडियो और टूलबॉक्स। LLM और VLM कार्यों के लिए 2025 के अंत में अंतिम अपडेट!

कुछ ही लाइनों के कोड के साथ NPU, GPU और CPU पर Qualcomm उपकरणों पर स्थानीय रूप से फ्रंटियर LLMs और VLMs चलाएं

ERNIE 4.5 और ERNIEKit के लिए आधिकारिक रिपॉजिटरी - PaddlePaddle पर आधारित इसका औद्योगिक-ग्रेड विकास टूलकिट।

Reinforced VLM के साथ विजुअल अंडरस्टैंडिंग को हल करें

जटिल और अभिनव RAG पाइपलाइनों के निर्माण के लिए एक लो-कोड MCP फ्रेमवर्क

🌟100+ ओरिजिनल LLM / RL आर्किटेक्चर डायग्राम्स📚, 'Large Model Algorithms' के लेखक द्वारा प्रस्तुत!💥 (100+ LLM/RL एल्गोरिदम मैप्स)

StarVector SVG जनरेशन के लिए एक फाउंडेशन मॉडल है जो वैक्टराइजेशन को कोड जनरेशन टास्क में बदलता है। विजन-लैंग्वेज मॉडलिंग आर्किटेक्चर का उपयोग करते हुए, StarVector असाधारण सटीकता के साथ उच्च गुणवत्ता वाला SVG कोड बनाने के लिए विजुअल और टेक्स्टुअल दोनों इनपुट को प्रोसेस करता है।

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

[CVPR 2026] PromptEnhancer एक प्रॉम्प्ट-रीराइटिंग टूल है, जो बेहतर इमेज जनरेशन के लिए प्रॉम्प्ट्स को अधिक स्पष्ट और संरचित संस्करणों में परिष्कृत करता है।

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

कुशल बड़े मॉडल (LLM, VLM, AIGC) मूल्यांकन और प्रदर्शन बेंचमार्किंग के लिए एक सुव्यवस्थित और अनुकूलन योग्य फ्रेमवर्क।

एक AI-संचालित फ़ाइल प्रबंधन टूल जो स्थानीय टेक्स्ट और छवियों को व्यवस्थित करके गोपनीयता सुनिश्चित करता है। Nexa SDK के साथ Llama3.2 3B और Llava v1.6 मॉडल का उपयोग करते हुए, यह त्वरित, सहज पहुँच और आसान पुनर्प्राप्ति के लिए फ़ाइलों को सहजता से स्कैन, पुनर्गठित और व्यवस्थित करता है।

Skywork-R1V, Skywork AI द्वारा विकसित एक उन्नत मल्टीमॉडल AI मॉडल श्रृंखला है, जो विजन-लैंग्वेज रीज़निंग में विशेषज्ञता रखती है।

[NeurIPS 2024] OSWorld: वास्तविक कंप्यूटर वातावरण में ओपन-एंडेड कार्यों के लिए मल्टीमॉडल एजेंट्स का मूल्यांकन

ओपन-सोर्स AI कैमरा स्किल्स प्लेटफ़ॉर्म, AI NVR और CCTV सर्विलांस। Qwen, DeepSeek, SmolVLM, LLaVA, YOLO के साथ स्थानीय VLM वीडियो विश्लेषण। Telegram, Discord या Slack के माध्यम से घर की सुरक्षा करने वाला LLM-संचालित एजेंट।

[EMNLP-2024] तेज़ प्रोटोटाइप और प्रोडक्शन के लिए मल्टीमॉडल लैंग्वेज एजेंट बनाएं

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।

GLM-4.6V/4.5V/4.1V-Thinking: स्केलेबल रीइंफोर्समेंट लर्निंग के साथ बहुमुखी मल्टीमॉडल रीज़निंग की ओर

ComfyUI में LLM एजेंट फ्रेमवर्क जिसमें MCP सर्वर, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0, और FLUX प्रॉम्प्ट नोड्स शामिल हैं, Feishu, discord तक पहुंच, और o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao जैसे सभी llms के समान openai / aisuite इंटरफेस के अनुकूल है। स्थानीय llms, vlm, gguf जैसे llama-3.3 Janus-Pro, Linkage graphRAG के अनुकूलित।

स्वचालित अकादमिक आंकड़ों, आरेखों और अनुसंधान दृश्यों के लिए Google Research के PaperBanana का ओपन-सोर्स कार्यान्वयन और विस्तार, जिसे स्लाइड जनरेशन जैसे नए डोमेन में विस्तारित किया गया है।

ChatGPT Plus/Team/Pro सब्सक्रिप्शन प्रोटोकॉल एंड-टू-एंड रीप्ले टूलकिट · hCaptcha विजुअल सॉल्वर · एंटी-फ़्रॉड मैकेनिज्म एम्पिरिकल रिसर्च

TokenSpeed एक अत्यंत तेज़ LLM इनफर्उंड इंजन है।

बड़े मॉडल की सुरक्षा, संरक्षा और गोपनीयता के लिए एक पठन सूची (Awesome LLM Security, Safety, आदि सहित)।

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