vision-language-model

Implementasi dari "Prismer: A Vision-Language Model with Multi-Task Experts".

Framework Terbuka Penuh untuk Pelatihan Multimodal yang Didemokratisasi

Seri ini akan membawa Anda dalam perjalanan dari dasar-dasar NLP dan Computer Vision hingga Vision-Language Models terkini.

Ubah dokumen menjadi Markdown siap-AI dengan pemahaman visual

Toolkit visual dan skill yang dirancang untuk model teks murni agar bisa "melihat", mendukung pemahaman multi-gambar, tanya jawab gambar, restorasi UI frontend, otomatisasi GUI, dan integrasi opsional yang mulus dengan berbagai agen utama serta pengenalan gambar tempel secara langsung.

RAG tanpa parsing yang didukung oleh VLM.

[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), model pertama yang mampu menghasilkan respons bahasa alami yang terintegrasi secara mulus dengan mask segmentasi objek.

[CVPR 2024 Highlight🔥] Chat-UniVi: Representasi Visual Terpadu Memberdayakan Large Language Models dengan Pemahaman Gambar dan Video

Tentang Repositori ini adalah koleksi pilihan dari makalah CVPR 2025 yang paling menarik dan berpengaruh. 🔥 [Paper + Code + Demo]

[CVPR 2024] Alpha-CLIP: Model CLIP yang berfokus pada area yang Anda inginkan.

Toolkit visual yang lebih canggih untuk model teks: instalasi satu baris, pengenalan gambar langsung, tanya jawab multi-gambar, dan pemulihan UI dari tangkapan layar. Integrasi DeepSeek untuk toolkit visi agen: tanya jawab gambar, OCR tangkapan layar panjang, pemulihan UI, grounding, perbandingan piksel, Artifacts, dan Web UI.

VoxPoser: Peta Nilai 3D yang Dapat Disusun untuk Manipulasi Robotik dengan Model Bahasa

[NeurIPS 2025 Spotlight] OpenCUA: Pondasi Terbuka untuk Agen Penggunaan Komputer

🍃 MINT-1T: Kumpulan data multimodal terselip satu triliun token.

Daftar kurasi makalah Visi 3D yang berkaitan dengan domain Robotika di era model besar seperti LLM/VLM, terinspirasi dari awesome-computer-vision, mencakup makalah, kode, dan situs web terkait

Daftar pilihan metode pembelajaran prompt/adapter yang luar biasa untuk model vision-language seperti CLIP.

[ICLR 2026] Implementasi resmi dari "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"

OmniVinci adalah LLM omni-modal untuk pemahaman bersama visi, audio, dan bahasa.

MiMo-VL

🎉 PILOT: Toolbox pembelajaran berkelanjutan berbasis model pra-latih.

Mengevaluasi model text-to-image/video/3D dengan VQAScore

[CVPR 2026] SpatialVID: Dataset Video Skala Besar dengan Anotasi Spasial

An open-weight 11B model series for long-form and real-time video understanding

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

LLaVA-Mini adalah model multimodal besar (LMM) terpadu yang dapat mendukung pemahaman gambar, gambar beresolusi tinggi, dan video secara efisien.

Cambrian-S: Menuju Spatial Supersensing dalam Video

Chatbot Arena bertemu dengan multimodalitas! Multi-Modality Arena memungkinkan Anda membandingkan model visi-bahasa secara berdampingan sambil menyediakan gambar sebagai masukan. Mendukung MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2, dan banyak lagi!

Flame adalah sistem AI multimodal sumber terbuka yang dirancang untuk menerjemahkan maket desain UI ke dalam kode React berkualitas tinggi. Sistem ini memanfaatkan pemodelan bahasa-visi, sintesis data otomatis, dan alur kerja pelatihan terstruktur untuk menjembatani kesenjangan antara desain dan pengembangan front-end.

Kode dan panduan implementasi untuk makalah ✨Counting Anything. Halaman Proyek: https://mengqi-lei.github.io/count-anything-projectpage/