mllm

視覚言語モデル（Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V）用のComfyUIノード。さらに、オープン語彙検出、SAM2/SAM3セグメンテーション、動画の時間的推論、llama.cppによるGGUF、ホスト型LLM/VLM APIに対応。

[ICLR2026] 「JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation」の公式実装

[ECCV2024] 局所化されたビジュアルトークン化を備えたグラウンデッドマルチモーダル大規模言語モデル

NeurIPS 2024 論文: 理解、生成、セグメンテーション、編集のための統合ピクセルレベル Vision LLM

🔥🔥🔥 LLMベースのマルチモーダル生成（画像、動画、3D、音声）に関する厳選された論文リスト

素晴らしい Multimodal Modeling（MLLM、UMM、NMMを網羅）