vlm

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。

🚀🚀🚀 優れた公開YOLO物体検出シリーズプロジェクトと関連する物体検出データセットのコレクション

ExecuTorch を活用し、React Native でデバイス上の AI モデルを実行する宣言的な方法。

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。

使いやすさ、包括性、効率性を高めるために設計されたモデル圧縮ツールキット

Awesome-Jailbreak-on-LLMs は、LLM に対する最先端で新規性のあるエキサイティングなジェイルブレイク手法のコレクションです。論文、コード、データセット、評価、分析が含まれています

VLM を使用したカメラ監視

計算グラフ変換（自動微分など）により高速化された航空機設計最適化。空力、推進、構造、軌道設計などのための合成可能な解析ツール。

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。

JoyCaption は、Diffusion モデルのトレーニングでコミュニティが使用できるように、無料、オープン、検閲なしのモデルとしてゼロから構築されている画像キャプション用 Visual Language Model (VLM) です。

オープンソースの、エンドツーエンドの VLM ベース GUI エージェント

汎用ナビゲーション基盤モデル構築のためのInternRoboticsのオープンプラットフォーム

軽量なマルチモーダルモデルのファミリー。

MindSpore + 🤗Huggingface：シームレスな互換性と高速化により、MindSpore上で任意のTransformers/Diffusersモデルを実行

🚀 Hugging Faceを標準サポートした、LLM/VLM向けのPytorch分散ネイティブトレーニングライブラリ

【エージェントモード追加】Android用オールシーン対応GPTアシスタント。音量キーで起動して音声対話が可能。ネット接続、写真撮影、テンプレート、添付ファイル解析、エージェントモードなどをサポート。

UniWorld: 統合された視覚的理解と生成のための高解像度セマンティックエンコーダー

NEOシリーズ：ファースト・プリンシプルに基づくネイティブ視覚言語モデル

オープンソースのSOTAマルチ画像編集モデル

高度なワールドモデルのための統合コードベース。

大規模モデル（LLM/VLM）時代におけるロボット工学分野に関連する3Dビジョン論文の厳選リスト。awesome-computer-visionにインスパイアされ、論文、コード、関連ウェブサイトを含む。

「LLM × DATA」調査論文の公式リポジトリ

🚀🚀🚀 大規模言語モデル（LLM）、視覚言語モデル（VLM）、視覚言語行動モデル（VLA）、AI生成コンテンツ（AIGC）、および関連するデータセットやアプリケーションに関する素晴らしい公開プロジェクトのコレクション。

MobileGym: モバイル GUI エージェント研究のための検証可能かつ高度に並列化されたシミュレーションプラットフォーム · ブラウザで動作する Android シミュレータ · Browser-hosted Android Simulator · 検証可能な評価 · スケーラブルなオンライン RL トレーニング

[CVPR 2026🔥] 🧑‍🎨 OmniLottie は、Lottie JSON を生成する、オープンソースのマルチモーダル指示型ベクターアニメーション生成器です。

Dingo: 包括的な AI データ、モデル、およびアプリケーションの品質評価ツール

[CVPR 2024 🔥] GeoChat：リモートセンシング向けの最初のグラウンデッド大規模視覚言語モデル

[ECCV 2026] SparkVSR: スパースキーフレーム伝播によるインタラクティブ映像超解像手法

このリポジトリには、「VLM2Vec / MMEB」[ICLR 2025]、「VLM2Vec-V2 / MMEB-V2」[TMLR 2026]、および「MMEB-V3」[COLM 2026] のコードが含まれています

Sophon、Rockchip RKNN、x86 に対応した、ビジュアルオーケストレーション、リアルタイム OSD、イベント、再現可能なベンチマークを備える、ビデオ分析およびオンデバイス VLM 向けのプロダクション品質の C++ エッジ AI エンジン