vision-language-model

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

X-AnyLabeling: Aplikasi desktop lintas platform yang ringan, efisien, dan terpadu untuk menganotasi data teks, gambar, video, dan multimodal, menggabungkan alat bawaan yang serbaguna dengan model AI mutakhir serta ekspor multi-format yang fleksibel.

[CVPR 2024 Oral] Keluarga InternVL: Alternatif Open-Source Perintis untuk GPT-4o. Model dialog multimodal open-source dengan performa mendekati GPT-4o

👀 Latih VLM dengan 65 juta parameter dari nol hanya dalam 2 jam!

Repositori resmi Qwen-VL (通义千问-VL), model bahasa visi besar chat & pra-terlatih yang diusulkan oleh Alibaba Cloud.

MineContext adalah mitra AI proaktif yang sadar konteks (Context-Engineering+ChatGPT Pulse)

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

Align Anything: Melatih Model Semua Modalitas dengan Umpan Balik

Toolkit evaluasi multimodal serbaguna untuk tugas teks, gambar, video, dan audio.

DeepSeek-VL: Menuju Pemahaman Visi-Bahasa Dunia Nyata

Repositori resmi MiniMax-Text-01 dan MiniMax-VL-01, large-language-model & vision-language-model berbasis Linear Attention

Repositori resmi untuk "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

Koleksi model vision-language yang luar biasa untuk tugas-tugas visi komputer

Pisau lipat Swiss untuk AI offline. Mengobrol, melihat, berbicara, dan menghasilkan gambar di ponsel atau Mac Anda — mendukung LLM GGUF, visi, pengenalan suara Whisper, Stable Diffusion, pemanggilan alat, dan server jaringan lokal. Berjalan di CPU, GPU, atau NPU Anda. Tanpa akun, tanpa kunci API, data tidak keluar dari perangkat Anda.

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

Kode yang digunakan untuk melatih dan menjalankan inferensi dengan model ColVision, contohnya ColPali, ColQwen2, dan ColSmol.

Kerangka kerja Cradle adalah upaya pertama dalam General Computer Control (GCC). Cradle mendukung agen untuk menguasai tugas komputer apa pun dengan mengaktifkan kemampuan penalaran yang kuat, peningkatan mandiri, dan kurasi keterampilan, di lingkungan umum standar dengan persyaratan minimal.

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

[CVPR 2025] Model Vision-Language-Action end-to-end open-source untuk GUI Agent & Computer Use.

Daftar kurasi sumber daya LLM/VLM/VLA/World Model yang luar biasa untuk Autonomous Driving (LLM4AD) (diperbarui secara berkala).

NVIDIA AI Blueprint untuk pencarian dan peringkasan video (VSS) adalah arsitektur referensi yang dipercepat GPU untuk membangun agen analitik video dengan peringatan terverifikasi waktu nyata, tanya jawab visual, dan pelaporan otomatis. Blueprint VSS menggunakan model bahasa visi (VLM) seperti NVIDIA Cosmos, LLM seperti NVIDIA Nemotron, RAG, dan NVIDIA NIM.

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.

Seed1.5-VL, model dasar visi-bahasa yang dirancang untuk memajukan pemahaman dan penalaran multimodal serbaguna, mencapai performa terbaik pada 38 dari 60 tolok ukur publik.

Server inferensi LLM yang kompatibel dengan OpenAI dan Anthropic berkinerja tinggi untuk Apple Silicon. Dilengkapi MLX asli, continuous batching, model multimodal, pemanggilan alat MCP, dan dukungan Claude Code.

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

[ICCV 2025] Implementasi untuk Describe Anything: Keterangan Gambar dan Video Lokal yang Detail

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

Ringkasan LLM Bahasa Jepang - Ikhtisar LLM Bahasa Jepang

Fine-tune LLM di Mac Anda dengan Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding, dan fine-tuning OCR — secara native di MLX. API yang kompatibel dengan Unsloth.

Kumpulan Model Multimodal Terpadu yang Hebat