mllm

Pra-pelatihan mandiri skala besar lintas tugas, bahasa, dan modalitas

Agent S: kerangka kerja agen terbuka yang menggunakan komputer layaknya manusia

Mobile-Agent: Keluarga Agen GUI yang Kuat

[NeurIPS 2025] SpatialLM: Melatih Large Language Models untuk Pemodelan Dalam Ruangan Terstruktur

[CVPR'25] Implementasi Resmi untuk Makalah - MagicQuill: Sistem Pengeditan Gambar Interaktif yang Cerdas

Dari Chain-of-Thought prompting hingga OpenAI o1 dan DeepSeek-R1 🍓

Kode dan model untuk makalah ICML 2024, NExT-GPT: Large Language Model Multimodal Any-to-Any

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

InternLM-XComposer2.5-OmniLive: Sistem multimodal komprehensif untuk interaksi video dan audio streaming jangka panjang

mPLUG-DocOwl: Model Bahasa Besar Multimodal Modular untuk Pemahaman Dokumen

Cambrian-1 adalah keluarga LLM multimodal dengan desain yang berpusat pada visi.

🚀🚀🚀 Kumpulan proyek seri deteksi objek YOLO publik yang luar biasa dan dataset deteksi objek terkait.

Repo Resmi untuk Basis Kode Pixel-LLM: Sa2VA (T-PAMI-26), SAMTok (CVPR-26), VRT (Arxiv-25), SaSaSa2VA (solusi ke-1 untuk LSVOS)

[CVPR2026] Deteksi Apa Saja melalui Prediksi Titik Berikutnya

Katalog visual pilihan dari 155+ arsitektur vision-language model (VLM/MLLM): makalah, diagram, resep pelatihan, dataset, dan lini masa rilis untuk agen AI multimodal.

Framework Terbuka Penuh untuk Pelatihan Multimodal yang Didemokratisasi

Keluarga model multimodal yang ringan.

OpenEMMA, "reproduksi" sumber terbuka berlisensi longgar dari model EMMA Waymo.

NEO Series: Model Visi-Bahasa native yang dibangun dari prinsip dasar.

[NeurIPS' 2025] JarvisArt: Membebaskan kreativitas artistik manusia melalui agen retouching foto cerdas

[CVPR2024] Kode untuk "Osprey: Pixel Understanding with Visual Instruction Tuning"

[Sorotan NeurIPS 2025] Implementasi resmi untuk "FutureSightDrive: Thinking Visually with Spatio-Temporal CoT for Autonomous Driving"

[NeurIPS 2025] 4KAgent: Agen Super-Resolusi 4K untuk gambar apa pun. Agen visi komputer cerdas yang dapat memulihkan gambar apa pun menjadi 4K yang sempurna.

🚀🚀🚀Kumpulan beberapa proyek publik hebat tentang Large Language Model (LLM), Vision Language Model (VLM), Vision Language Action (VLA), AI Generated Content (AIGC), serta Dataset dan Aplikasi terkait.

Ini adalah repositori untuk mendaftarkan makalah tentang pembuatan dan aplikasi grafik adegan.

Proyek Pribadi: MPP-Qwen14B & MPP-Qwen-Next (Multimodal Pipeline Parallel berdasarkan Qwen-LM). Mendukung [video/gambar/multi-gambar] {sft/percakapan}. Jangan biarkan kemiskinan membatasi imajinasi Anda! Latih MLLM mirip pelatihan LLaVA 8B/14B Anda sendiri di RTX3090/4090 24GB.

Visi sebagai Generasi Multimodal Terpadu

Woodpecker: Koreksi halusinasi untuk Multimodal Large Language Models

[ICLR 2025] FakeShield: Deteksi dan lokalisasi pemalsuan gambar yang dapat dijelaskan melalui Multi-modal Large Language Models.

Emotion-LLaMA: Pengenalan dan Penalaran Emosi Multimodal dengan Penyetelan Instruksi