multimodal

Berhenti menyewa kecerdasan Anda. Miliki sepenuhnya dengan AnythingLLM. Semua yang Anda butuhkan untuk pengalaman agen lokal yang canggih

Memahami AI Agent secara mendalam: Prinsip Desain dan Praktik Rekayasa (oleh Li Bojie) repositori sumber terbuka: teks lengkap buku, PDF kompilasi, dan kode pendukung per bab.

Tumpukan Agen AI Multimodal Sumber Terbuka: Menghubungkan Model AI Canggih dan Infrastruktur Agen.

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

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

☁️ Bangun aplikasi AI multimodal dengan tumpukan native cloud (cloud-native)

YC (S26) | Open Computer History | Rekam layar Anda secara terus-menerus di lokal dan berikan konteks ke agen Anda (Claude, Codex, Openclaw, Hermes, Runner...)

Janus-Series: Model Pemahaman dan Generasi Multimodal Terpadu

Gunakan PEFT atau Full-parameter untuk CPT/SFT/DPO/GRPO 600+ LLM (Qwen3.6, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) dan 300+ MLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM4.5v, Gemma4, Llava, Phi4, ...) (AAAI 2025).

Visualisasikan, kueri, dan streaming untuk melatih data robotika multimodal.

Praktik pengembangan aplikasi LLM 1: Panduan full-stack teknologi RAG, baca online di: https://datawhalechina.github.io/all-in-rag/

Toolkit siap produksi untuk menjalankan AI secara lokal

Library Python untuk deteksi anomali di seluruh data tabular, deret waktu (time series), graf, teks, gambar, dan audio. Memiliki 60+ detektor, orkestrasi ADEngine berbasis tolok ukur (benchmark), dan alur kerja agen (agentic workflow) untuk agen AI.

Akhir dari parsing web. Awal dari pencarian pixel-native yang terukur. link: https://pixelrag.ai/

SeaTunnel adalah alat integrasi data masif terdistribusi, berkinerja tinggi, dan multimodal.

Deeplake adalah AI Data Runtime untuk Agen. Menyediakan postgres serverless dengan datalake multimodal untuk pengambilan dan pelatihan data yang skalabel.

Mobile-Agent: Keluarga Agen GUI yang Kuat

Cara termudah untuk melayani aplikasi dan model AI - Membangun API inferensi model, antrean tugas, aplikasi LLM, pipeline multi-model, dan banyak lagi.

Pustaka text-to-speech (TTS), speech-to-text (STT), dan speech-to-speech (STS) yang dibangun di atas framework MLX Apple, menyediakan analisis suara yang efisien di Apple Silicon.

Repositori ini adalah kumpulan tautan pilihan ke berbagai kursus dan sumber daya tentang Kecerdasan Buatan (AI)

Framework untuk inferensi model yang efisien dengan model omni-modality

Framework sumber terbuka untuk membangun aplikasi agen di JavaScript, Go, Dart, dan Python, yang dibangun dan digunakan dalam produksi oleh Google

Catatan untuk insinyur perangkat lunak agar cepat memahami perkembangan AI baru. Berfungsi sebagai datastore untuk tulisan https://latent.space, dan curah pendapat produk, tetapi memiliki referensi kanonis yang telah dibersihkan di bawah folder /Resources.

Menyelesaikan Pemahaman Visual dengan VLM yang Diperkuat

Visual playground untuk alur kerja agen: Iterasi agen Anda 10x lebih cepat

Mesin data berkinerja tinggi untuk beban kerja AI dan multimodal. Memproses gambar, audio, video, dan data terstruktur pada skala apa pun

Kerangka kerja MCP Low-Code untuk membangun pipeline RAG yang kompleks dan inovatif.

Framework modular untuk penelitian multimodal visi & bahasa dari Facebook AI Research (FAIR)

Mesin pelatihan generasi berikutnya yang dibangun untuk model MoE skala ultra-besar.

Align Anything: Melatih Model Semua Modalitas dengan Umpan Balik