vlm

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।

🚀🚀🚀 कुछ बेहतरीन public YOLO object detection series प्रोजेक्ट्स और संबंधित object detection datasets का संग्रह।

ExecuTorch द्वारा संचालित, React Native में डिवाइस पर AI मॉडल चलाने का घोषणात्मक तरीका।

OpenGUI फोन-उपयोग AI के लिए एक Android GUI एजेंट फ्रेमवर्क है जो GUI के माध्यम से वास्तविक मोबाइल ऐप्स को देख, योजना बना और संचालित कर सकता है।

बेहतर उपयोगिता, व्यापकता और दक्षता के लिए डिज़ाइन किया गया मॉडल कम्प्रेशन टूलकिट

Awesome-Jailbreak-on-LLMs, LLMs पर अत्याधुनिक, नवीन, रोमांचक जेलब्रेक तरीकों का एक संग्रह है। इसमें पेपर, कोड, डेटासेट, मूल्यांकन और विश्लेषण शामिल हैं।

VLM के साथ कैमरा मॉनिटरिंग

कंप्यूटेशनल ग्राफ़ ट्रांसफ़ॉर्मेशन (जैसे, ऑटोमैटिक डिफरेंशिएशन) के माध्यम से एयरक्राफ्ट डिज़ाइन ऑप्टिमाइज़ेशन को तेज़ बनाया गया। एयरोडायनामिक्स, प्रोपल्शन, स्ट्रक्चर्स, ट्रेजेक्टरी डिज़ाइन और बहुत कुछ के लिए कंपोज़ेबल एनालिसिस टूल्स।

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

JoyCaption एक इमेज कैप्शनिंग विजुअल लैंग्वेज मॉडल (VLM) है जिसे कम्युनिटी द्वारा डिफ्यूजन मॉडल के प्रशिक्षण में उपयोग के लिए एक स्वतंत्र, खुले और अनसेंसर्ड मॉडल के रूप में शुरू से बनाया जा रहा है।

एक ओपन-सोर्स एंड-टू-एंड VLM-आधारित GUI Agent

जनरलाइज्ड नेविगेशन फाउंडेशन मॉडल बनाने के लिए InternRobotics का ओपन प्लेटफॉर्म।

हल्के मल्टीमॉडल मॉडलों का एक परिवार।

MindSpore + 🤗Huggingface: निर्बाध अनुकूलता और त्वरण के साथ MindSpore पर कोई भी Transformers/Diffusers मॉडल चलाएं।

🚀 OOTB Hugging Face समर्थन के साथ LLMs/VLMs के लिए Pytorch डिस्ट्रीब्यूटेड नेटिव ट्रेनिंग लाइब्रेरी

एंड्रॉइड के लिए ऑल-सीनारियो GPT असिस्टेंट, जिसे वॉल्यूम कीज़ के माध्यम से वॉयस इंटरैक्शन के लिए सक्रिय किया जा सकता है, जो नेटवर्किंग, फोटो लेने, टेम्प्लेट, दस्तावेज़ पार्सिंग और एजेंट मोड जैसी सुविधाओं का समर्थन करता है।

UniWorld: एकीकृत दृश्य समझ और निर्माण के लिए उच्च-रिज़ॉल्यूशन सिमेंटिक एनकोडर।

NEO सीरीज: फर्स्ट प्रिंसिपल्स से नेटिव विज़न-लैंग्वेज मॉडल्स

ओपन-सोर्स SOTA मल्टी-इमेज एडिटिंग मॉडल।

एडवांस्ड वर्ल्ड मॉडल्स के लिए एकीकृत कोडबेस

लार्ज मॉडल्स (LLMs/VLMs) के युग में रोबोटिक्स डोमेन से संबंधित 3D विजन पेपर्स की एक क्यूरेटेड सूची, जिसमें पेपर्स, कोड और संबंधित वेबसाइटें शामिल हैं।

LLM × DATA सर्वे पेपर का आधिकारिक रिपॉजिटरी

🚀🚀🚀 लार्ज लैंग्वेज मॉडल (LLM), विज़न लैंग्वेज मॉडल (VLM), विज़न लैंग्वेज एक्शन (VLA), AI जेनरेटेड कंटेंट (AIGC), और संबंधित डेटासेट व एप्लिकेशन के बारे में कुछ बेहतरीन सार्वजनिक प्रोजेक्ट्स का संग्रह।

MobileGym: मोबाइल GUI एजेंट अनुसंधान के लिए एक सत्यापन योग्य और अत्यधिक समानांतर सिमुलेशन प्लेटफॉर्म · ब्राउज़र-होस्टेड Android सिम्युलेटर · सत्यापन योग्य मूल्यांकन · स्केलेबल ऑनलाइन RL प्रशिक्षण

[CVPR 2026🔥] 🧑‍🎨 OmniLottie, एक ओपन-सोर्स मल्टी-मॉडल इंस्ट्रक्टेड वेक्टर एनिमेशन जनरेटर जो Lottie JSONs बनाता है।

Dingo: एक व्यापक AI डेटा, मॉडल और एप्लिकेशन गुणवत्ता मूल्यांकन उपकरण।

[CVPR 2024 🔥] GeoChat, रिमोट सेंसिंग के लिए पहला ग्राउंडेड लार्ज विज़न लैंग्वेज मॉडल

Sophon, Rockchip RKNN, और x86 पर वीडियो एनालिटिक्स और ऑन-डिवाइस VLM के लिए प्रोडक्शन-ग्रेड C++ एज AI इंजन, जिसमें विजुअल ऑर्केस्ट्रेशन, रियल-टाइम OSD, इवेंट्स और पुनरुत्पादनीय बेंचमार्क शामिल हैं।

[ECCV 2026] SparkVSR: स्पार्स कीफ्रेम प्रोपेगेशन के माध्यम से इंटरैक्टिव वीडियो सुपर-रिज़ॉल्यूशन

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