OpenGVLab

[CVPR 2024 Oral] InternVL Family: GPT-4oに匹敵する画期的なオープンソース代替モデル。GPT-4oの性能に迫るオープンソースのマルチモーダル対話モデル。

[ICLR 2024] 1時間以内にLLaMAをファインチューニングし、1.2Mのパラメータで指示に従わせる

[CVPR2024 Highlight][VideoChatGPT] 動画理解機能を持つ ChatGPT！miniGPT4、StableLM、MOSS など、他にも多くの LM をサポート。

InternGPT (iGPT) は、AI モデルを簡単に公開できるオープンソースのデモプラットフォームです。DragGAN、ChatGPT、ImageBind、GPT-4 のようなマルチモーダルチャット、SAM、インタラクティブな画像編集などをサポートしています。igpt.opengvlab.com でお試しください。

[CVPR 2023 Highlight] InternImage: 変形可能畳み込みを用いた大規模視覚基盤モデルの探索

[ECCV2024] マルチモーダル理解のためのビデオ基盤モデルとデータ

VisionLLM シリーズ

SAM-Med2D の公式実装

[ICLR 2026 Oral] ScaleCUA は、クロスプラットフォーム環境（Windows、macOS、Ubuntu、Android）で動作するオープンソースの computer use agent です。

[ECCV2024] VideoMamba: 効率的な動画理解のための State Space Model

[ICLR2024 spotlight] OmniQuant は LLM 向けのシンプルかつ強力な量子化手法です。

[CVPR 2023] VideoMAE V2: デュアルマスキングを用いたビデオマスクオートエンコーダーのスケーリング

[CVPR 2024] Deformable Convolution v4

Chatbot Arena がマルチモーダルと融合！Multi-Modality Arena では、画像を入力として提供しながら、視覚言語モデルを並行してベンチマークできます。MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2 などをサポート！

[ICLR 2025 Spotlight] Vision-RWKV: RWKV ライクなアーキテクチャによる効率的でスケーラブルな視覚的知覚

[ICLR2026] VideoChat-Flash: 長コンテキストビデオモデリングのための階層的圧縮。

[ICLR 2024 & ECCV 2024] The All-Seeing Projects: パノプティック視覚認識・理解およびオープンワールドの一般関係理解に向けて