llava

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) yang dibangun untuk mencapai kemampuan setingkat GPT-4V dan seterusnya.

SUPIR bertujuan untuk mengembangkan algoritma praktis untuk restorasi gambar fotorealistik di alam liar. Demo daring kami yang baru juga telah dirilis di suppixel.ai.

MLX-VLM adalah paket untuk inferensi dan fine-tuning Vision Language Models (VLM) di Mac menggunakan MLX.

Toolkit evaluasi open-source untuk large multi-modality models (LMMs), mendukung 220+ LMM, 80+ benchmark

Solusi NLP bahasa Mandarin (LLM, data, model, pelatihan, inferensi)

Pustaka C#/.NET untuk menjalankan LLM (🦙LLaMA/LLaVA) di perangkat lokal Anda secara efisien.

Eagle: Model Vision-Language Frontier dengan strategi berbasis data.

[EMNLP-2024] Membangun agen bahasa multimodal untuk prototipe cepat dan produksi

[ACL 2024 🔥] Video-ChatGPT adalah model percakapan video yang mampu menghasilkan percakapan bermakna tentang video. Model ini menggabungkan kemampuan LLM dengan visual encoder praterkait yang diadaptasi untuk representasi video spatiotemporal. Kami juga memperkenalkan 'Quantitative Evaluation Benchmarking' yang ketat untuk model percakapan berbasis video.

Manajer tag dan pemberi takarir untuk dataset gambar

AI Multimodal Berukuran Saku untuk pemahaman dan pembuatan konten lintas teks multibahasa, gambar, dan 🔜 video, hingga 5x lebih cepat dari OpenAI CLIP dan LLaVA 🖼️ & 🖋️

Framework Terbuka Penuh untuk Pelatihan Multimodal yang Didemokratisasi

Kerangka kerja untuk Model Multimodal Besar berskala kecil

🔥🔥 LLaVA++: Memperluas LLaVA dengan Phi-3 dan LLaMA-3 (LLaVA LLaMA-3, LLaVA Phi-3)

Sistem pengawasan video ditenagai oleh OpenCV+YOLO+LLAVA

Integrasi dan Eksplorasi Multimodal Paddle, mendukung tugas multimodal arus utama, termasuk model pra-pelatihan multimodal skala besar end-to-end dan kotak alat model difusi. Dilengkapi dengan kinerja tinggi dan fleksibilitas.

Koleksi Frontend dan survei makalah vision-language model serta repositori GitHub model. Pembaruan berkelanjutan.

👁️ + 💬 + 🎧 = 🤖 Daftar pilihan model fondasi dan multimodal teratas! [Makalah + Kode + Contoh + Tutorial]

Node ComfyUI untuk model vision-language: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Ditambah deteksi open-vocabulary, segmentasi SAM2/SAM3, penalaran temporal video, GGUF melalui llama.cpp, dan API LLM/VLM yang dihost.

LLaVA-Mini adalah model multimodal besar (LMM) terpadu yang dapat mendukung pemahaman gambar, gambar beresolusi tinggi, dan video secara efisien.

Asisten bertenaga AI untuk membantu tugas sehari-hari Anda, didukung oleh Llama 3, DeepSeek R1, dan banyak model lainnya di HuggingFace.