multimodal-ai

🚀 オフライン動画生成およびデジタルヒューマンクローニングのための真にオープンソースのAIアバター（デジタルヒューマン）ツールキット。

OpenAI互換のテキスト、画像、ビデオ、エージェントワークフローのための公式Agnes AIゲートウェイおよびモデルカタログ。

AIエージェント向けのマルチモーダル生成メディアスキル（Claude Code, Cursor, Gemini CLI）。muapi.aiが提供する高品質な画像、動画、音声生成。

Mano-P: エッジデバイス向けオープンソース GUI-VLA エージェント。OSWorld で 1 位（特化型、58.2%）。Apple M4 Mac mini / MacBook でローカル実行され、データがデバイス外に出ません。

EVA OS — 次世代ハードウェア向けのリアルタイムマルチモーダルAIOS。デバイスに「命」を吹き込み、本物の脳と同等の知能を持たせます

動画検索および要約（VSS）向けのNVIDIA AI Blueprintは、リアルタイムの検証済みアラート、視覚的Q&A、自動レポート機能を備えた動画解析エージェントを構築するためのGPUアクセラレーテッド・リファレンスアーキテクチャです。VSS Blueprintは、NVIDIA Cosmosなどのビジョン言語モデル（VLM）、NVIDIA NemotronなどのLLM、RAG、およびNVIDIA NIMを使用します。

OpenGUIは、GUIを通じて実際のモバイルアプリを視認、計画、操作できる、スマホ利用AI向けのAndroid GUIエージェントフレームワークです。

Apple Silicon 向けの高性能な OpenAI および Anthropic 互換 LLM 推論サーバー。ネイティブ MLX、連続バッチ処理、マルチモーダルモデル、MCP ツール呼び出し、Claude Code をサポート。

155種類以上のビジョン・言語モデル（VLM/MLLM）アーキテクチャのキュレーションされたビジュアルカタログ：論文、図解、学習レシピ、データセット、マルチモーダルAIエージェントのリリース年表。

XiaoyaoSearch：言葉を理解し、画像を認識し、AIでローカルファイルを検索します。検索をチャットのようにシンプルにします。

オープンな自律型 Android エージェント — ローカル/リモートの LLM とアクセシビリティ駆動の画面自動化を活用した、本番環境対応の自己計画型 AI アシスタント。

ベクトル検索と LLM を使用したマルチモーダル AI、RAG、エージェントのリソース、サンプル、チュートリアル

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