vlm

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 proyek seri deteksi objek YOLO publik yang luar biasa dan dataset deteksi objek terkait.

Cara deklaratif untuk menjalankan model AI di React Native secara on-device, didukung oleh ExecuTorch.

OpenGUI adalah kerangka kerja agen GUI Android untuk AI penggunaan ponsel yang dapat melihat, merencanakan, dan mengoperasikan aplikasi seluler nyata melalui GUI.

Toolkit kompresi model yang direkayasa untuk kemudahan penggunaan, kelengkapan, dan efisiensi yang ditingkatkan.

Awesome-Jailbreak-on-LLMs adalah kumpulan metode jailbreak LLMs yang mutakhir, baru, dan menarik. Berisi makalah, kode, dataset, evaluasi, dan analisis.

Pemantauan kamera dengan VLM

Optimasi desain pesawat dibuat cepat melalui transformasi graph komputasi (misalnya, diferensiasi otomatis). Alat analisis yang dapat disusun untuk aerodinamika, propulsi, struktur, desain lintasan, dan banyak lagi.

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

JoyCaption adalah Visual Language Model (VLM) pembuat teks keterangan gambar yang dibangun dari awal sebagai model gratis, terbuka, dan tanpa sensor untuk digunakan komunitas dalam melatih model Diffusion.

Agen GUI berbasis VLM ujung-ke-ujung sumber terbuka

Platform terbuka InternRobotics untuk membangun model dasar navigasi umum.

Keluarga model multimodal yang ringan.

MindSpore + 🤗Huggingface: Jalankan model Transformers/Diffusers apa pun di MindSpore dengan kompatibilitas dan akselerasi mulus.

🚀 Pustaka pelatihan native Pytorch Distributed untuk LLM/VLM dengan dukungan bawaan Hugging Face

Asisten GPT untuk Android, diaktifkan via tombol volume untuk interaksi suara, mendukung fitur seperti pencarian web, ambil foto, templat, penguraian dokumen, dan mode agen.

UniWorld: Encoder Semantik Resolusi Tinggi untuk Pemahaman dan Pembuatan Visual yang Terpadu

NEO Series: Model Visi-Bahasa native yang dibangun dari prinsip dasar.

Model pengeditan multi-gambar SOTA sumber terbuka

Basis kode terpadu untuk World Models tingkat lanjut.

Repositori Resmi untuk Makalah Survei "LLM × DATA"

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

🚀🚀🚀Kumpulan beberapa proyek publik hebat tentang Large Language Model (LLM), Vision Language Model (VLM), Vision Language Action (VLA), AI Generated Content (AIGC), serta Dataset dan Aplikasi terkait.

MobileGym: Platform Simulasi yang Dapat Verifikasi dan Sangat Pararel untuk Penelitian Agen GUI Seluler · Simulator Android yang berjalan di browser · Simulator Android Berbasis Browser · Evaluasi yang Dapat Verifikasi · Pelatihan RL Online yang Dapat Skala

[CVPR 2026🔥] 🧑‍🎨 OmniLottie, generator animasi vektor berinstruksi multimodal sumber terbuka yang menghasilkan file JSON Lottie.

Dingo: Alat Evaluasi Kualitas Data, Model, dan Aplikasi AI yang Komprehensif

[CVPR 2024 🔥] GeoChat, Large Vision Language Model grounded pertama untuk Penginderaan Jauh

[ECCV 2026] SparkVSR: Super-Resolusi Video Interaktif melalui Propagasi Kunci Jarang

Repositori ini berisi kode untuk "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026], dan "MMEB-V3" [COLM 2026]

Engine AI tepi C++ kelas produksi untuk analitik video dan VLM pada perangkat di Sophon, Rockchip RKNN, dan x86, dengan orkestrasi visual, OSD waktu nyata, peristiwa, dan tolok ukur yang dapat direproduksi.