mllm

Các node ComfyUI dành cho mô hình ngôn ngữ - thị giác: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Cùng với khả năng phát hiện từ vựng mở, phân đoạn SAM2/SAM3, suy luận thời gian trong video, GGUF qua llama.cpp và các API LLM/VLM được lưu trữ.

[ICLR2026] Triển khai chính thức cho "JanusVLN: Tách biệt ngữ nghĩa và không gian với bộ nhớ ẩn kép cho điều hướng ngôn ngữ-hình ảnh"

[ECCV2024] Mô hình ngôn ngữ lớn đa phương thức có căn cứ với mã hóa hình ảnh cục bộ

Bài báo NeurIPS 2024: Vision LLM cấp độ pixel thống nhất để hiểu, tạo, phân đoạn và chỉnh sửa

Danh sách các bài báo được tuyển chọn về tạo nội dung đa phương thức dựa trên LLM (hình ảnh, video, 3D và âm thanh)

Tổng hợp các mô hình đa phương thức (bao gồm MLLM, UMM và NMM).