vlm

データ収集から実機ロボットへのデプロイまでをカバーする、embodied AI向けのオールインワンVLAエンジニアリングプラットフォーム

MiMo-VL

ネット全体で最も包括的、継続的に更新される、最もホットな 100 以上のペルソナ蒸留スキルコレクション｜マルチエージェントシステム｜著名人/監督/天涯大神/古籍/二次元/職場/感情の全カテゴリ

🤗 Optimum Intel: Intelの最適化ツールで推論を加速する

ScreenAgent: 視覚言語大規模モデルによって駆動されるコンピュータ制御エージェント（IJCAI-24）。

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

独自の知性を持つ Go - ハードウェアアクセラレーションを使用したローカル推論のために llama.cpp を直接統合する Go アプリケーション

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。

RAI は、物理 AI ロボット向けのベンダー非依存なエージェントフレームワークであり、ROS 2 ツールを活用して、複雑なアクション、定義されたシナリオ、自由なインターフェース実行、ログ要約、音声対話などを実行します。

Quartz ComposerにインスパイアされたNode.jsのクリエイティブコーディング / 3D / 画像処理ツール

Flameは、UIデザインのモックアップを高品質なReactコードに変換するために設計されたオープンソースのマルチモーダルAIシステムです。ビジョン言語モデリング、自動データ合成、構造化されたトレーニングワークフローを活用して、デザインとフロントエンド開発のギャップを埋めます。

reMarkable2 をビジョン LLM（ChatGPT、Claude、Gemini）へのインターフェースとして使用します。機械の中の幽霊！

VLMで使用する様々な業界特化型スキーマのハブ

A high-performance framework for training LLMs, VLMs, diffusion, and embodied models on NVIDIA GPUs and Kunlun XPUs.

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

Embodied AI および関連する研究・産業向けリソースに関する厳選されたリスト。

🚀🚀🚀 優れた公開 CUDA、cuda-python、cuBLAS、cuDNN、CUTLASS、TensorRT、TensorRT-LLM、Triton、TVM、MLIR、PTX、およびハイパフォーマンス計算（HPC）プロジェクトのリストです。