multi-modal

RAG không cần phân tích cú pháp được hỗ trợ bởi VLM

FarmVibes.AI: Mô hình ML không gian địa lý đa phương thức dành cho nông nghiệp và phát triển bền vững

【ICLR 2024🔥】 Mở rộng tiền huấn luyện Video-Language sang N-modality thông qua căn chỉnh ngữ nghĩa dựa trên ngôn ngữ.

Sử dụng các mô hình đa phương thức tương tác muộn (late-interaction) như ColPali chỉ với vài dòng mã.

[CVPR 2026🔥] 🧑‍🎨 OmniLottie, trình tạo hoạt ảnh vector đa phương thức mã nguồn mở, xuất ra định dạng Lottie JSON.

Pipeline OCR đa phương thức được tối ưu hóa cho huấn luyện ML (văn bản, hình ảnh, toán học, bảng biểu, sơ đồ)

Mô hình tạo hình ảnh trực quan có thể kiểm soát thống nhất

[Bài báo xuất sắc ICCV 2025 & ICCV 2025 RIWM] Aether: Mô hình hóa thế giới thống nhất nhận thức hình học

Phổ cập hóa RT-2 "RT-2: Mô hình mới chuyển đổi tầm nhìn và ngôn ngữ thành hành động".

FashionCLIP là một mô hình giống CLIP được tinh chỉnh cho lĩnh vực thời trang.

Công cụ tạo phim AI dựa trên DAG đa mô hình — tăng tốc song song theo mức độ độc lập của cảnh; tạo các cảnh phim đồng thời thay vì tuần tự; tối ưu hóa lịch trình thực thi từ thứ tự topo sang đường dẫn tới hạn; công cụ tạo phim duy nhất mô hình hóa sự phụ thuộc tường thuật cảnh dưới dạng DAG và điều khiển lập lịch song song bằng thuật toán CPM.

🔥🔥🔥 [AAAI 2026 Oral] Triển khai chính thức của Robust-R1: Suy luận nhận thức suy giảm để hiểu hình ảnh mạnh mẽ