vlm

🤗 Transformers: kerangka kerja definisi model untuk model pembelajaran mesin canggih dalam teks, penglihatan, audio, dan model multimodal, baik untuk inferensi maupun pelatihan.

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

SGLang adalah kerangka kerja penyajian berkinerja tinggi untuk model bahasa besar dan model multimodal.

Toolkit siap produksi untuk menjalankan AI secara lokal

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

Kumpulan tutorial tentang model dan teknik computer vision mutakhir. Jelajahi segalanya mulai dari arsitektur dasar seperti ResNet hingga model canggih seperti RF-DETR, YOLO11, SAM 3, dan Qwen3-VL.

Buku, makalah, video, dan toolbox terkait deteksi anomali. Pembaruan terakhir akhir 2025 untuk karya LLM dan VLM!

Jalankan LLM dan VLM terdepan secara lokal di perangkat Qualcomm melalui NPU, GPU, dan CPU hanya dengan beberapa baris kode

Repositori resmi untuk ERNIE 4.5 dan ERNIEKit – toolkit pengembangan kelas industri yang berbasis pada PaddlePaddle.

Menyelesaikan Pemahaman Visual dengan VLM yang Diperkuat

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

100+ peta algoritma LLM / RL orisinal, karya penulis 《大模型算法》.

StarVector adalah model dasar untuk pembuatan SVG yang mengubah vektorisasi menjadi tugas pembuatan kode. Menggunakan arsitektur pemodelan visi-bahasa, StarVector memproses input visual dan tekstual untuk menghasilkan kode SVG berkualitas tinggi dengan presisi luar biasa.

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

[CVPR 2026] PromptEnhancer adalah alat penulisan ulang prompt yang menyempurnakan prompt menjadi versi yang lebih jelas dan terstruktur untuk pembuatan gambar yang lebih baik.

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

Kerangka kerja yang efisien dan dapat disesuaikan untuk evaluasi model besar (LLM, VLM, AIGC) serta tolok ukur performa.

Alat manajemen file berbasis AI yang menjamin privasi dengan mengatur teks dan gambar lokal. Menggunakan model Llama3.2 3B dan Llava v1.6 dengan Nexa SDK, alat ini memindai, menyusun ulang, dan mengatur file secara intuitif untuk akses cepat dan pengambilan yang mudah.

Skywork-R1V adalah seri model AI multimodal canggih yang dikembangkan oleh Skywork AI, yang berspesialisasi dalam penalaran visi-bahasa.

[NeurIPS 2024] OSWorld: Benchmarking agen multimodal untuk tugas terbuka di lingkungan komputer nyata.

Platform Keterampilan Kamera AI Sumber Terbuka, AI NVR & Pengawasan CCTV. Analisis video VLM lokal dengan Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. Agen kamera keamanan berbasis LLM — memantau, memahami, mengingat, dan menjaga rumah Anda melalui Telegram, Discord, atau Slack. Keterampilan AI yang dapat dipasang. OpenAI, Google, Anthropic, atau AI lokal. Berjalan di Mac Mini & AI PC.

[EMNLP-2024] Membangun agen bahasa multimodal untuk prototipe cepat dan produksi

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.

GLM-4.6V/4.5V/4.1V-Thinking: Menuju Penalaran Multimodal Serbaguna dengan Reinforcement Learning yang Dapat Diskalakan.

Framework Agen LLM di ComfyUI mencakup server MCP, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0, dan node prompt FLUX, akses ke Feishu, discord, serta beradaptasi dengan semua LLM dengan antarmuka serupa openai / aisuite, seperti o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Diadaptasi untuk LLM lokal, VLM, GGUF seperti llama-3.3, Janus-Pro, dan Linkage graphRAG

Implementasi dan ekstensi sumber terbuka dari PaperBanana Google Research untuk gambar akademik, diagram, dan visual riset otomatis, yang diperluas ke domain baru seperti pembuatan slide.

Perangkat alat replay protokol end-to-end untuk langganan ChatGPT Plus/Team/Pro, dilengkapi dengan pemecah hCaptcha visual dan riset empiris mekanisme anti-penipuan.

TokenSpeed adalah mesin inferensi LLM secepat kilat.

Daftar bacaan untuk keamanan, keselamatan, dan privasi model besar (termasuk Awesome LLM Security, Safety, dll.).

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