multimodal

SDK untuk berinteraksi dengan API stability.ai (misalnya inferensi stable diffusion)

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

[ECCV2024] Video Foundation Models & Data untuk Pemahaman Multimodal

🎨 NeMo Data Designer: Menghasilkan data sintetis berkualitas tinggi dari awal atau dari data awal (seed data).

GenAI Processors adalah pustaka Python ringan yang memungkinkan pemrosesan konten paralel yang efisien.

Memungkinkan Claude (atau LLM lainnya) untuk menonton video secara nyata—dengan bingkai yang sadar adegan, deduplikasi, serta transkrip dari URL atau file lokal. Berjalan secara lokal, lisensi MIT

AI multimodal waktu nyata pada perangkat dengan fitur yang mirip dengan GPT-Live

[ICLR & NeurIPS 2025] Repositori untuk seri Show-o, satu Transformer tunggal untuk menyatukan pemahaman dan generasi multimodal.

Implementasi open-source untuk fine-tuning seri Qwen-VL dari Alibaba Cloud.

Implementasi "BitNet: Scaling 1-bit Transformers for Large Language Models" di pytorch

Kumpulan ide dan algoritma orisinal serta inovatif menuju Advanced Literate Machinery. Proyek ini dikelola oleh Tim OCR di Language Technology Lab, Tongyi Lab, Alibaba Group.

Mensintesis Program Grafis untuk Angka Ilmiah dan Sketsa dengan TikZ.

Sistem Pengodean Mandiri untuk Aplikasi Anda — Alan AI SDK untuk Android

Sistem pengkodean mandiri untuk aplikasi Anda — Alan AI SDK untuk Flutter

Sistem Pengodean Mandiri untuk Aplikasi Anda — Alan AI SDK untuk Ionic

Backend multimodal terpadu untuk aplikasi data AI

Multimodal LLM yang cepat di perangkat seluler

Dapatkan data bersih dari dokumen yang rumit, didukung oleh model vision-language ⚡

Arsitektur Multimodal Large Language Model (MLLM) baru, yang dirancang untuk menyelaraskan embedding visual dan tekstual secara struktural.

Kecerdasan visual untuk rumah Anda.

WeMM-Embedding is a family of universal multimodal embedding models by the WeChat Vision Team at Tencent, supporting multimodal understanding and retrieval.

Ringkasan LLM Bahasa Jepang - Ikhtisar LLM Bahasa Jepang

Repositori ini adalah implementasi resmi dari Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)

Mesin inferensi luring untuk seni, percakapan suara waktu nyata, chatbot bertenaga LLM, dan alur kerja otomatis

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

Berikan kemampuan kepada Claude untuk menonton dan memahami video — plugin Claude Code dengan ekstraksi bingkai dan analisis audio multimodal

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

Xtreme1 adalah platform pelabelan dan anotasi data serbaguna untuk pelatihan data multimodal serta mendukung point cloud 3D LiDAR, gambar, dan LLM.

Menyatukan Pembuatan Mesh 3D dengan Language Models

Ubah dokumen menjadi Markdown siap-AI dengan pemahaman visual