mllm

[ICLR2026] Implementasi resmi untuk "JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation"

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.

[ECCV2024] Grounded Multimodal Large Language Model dengan Tokenisasi Visual Terlokalisasi

Makalah NeurIPS 2024: Vision LLM tingkat piksel terpadu untuk pemahaman, pembuatan, segmentasi, dan pengeditan

🔥🔥🔥 Daftar kurasi makalah tentang generasi multimodal berbasis LLM (gambar, video, 3D, dan audio).

Awesome Multimodal Modeling [Mencakup MLLM, UMM, dan NMM]