mllm

[ICLR2026]“JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation”的官方实现

用于视觉语言模型的 ComfyUI 节点：Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V。另支持开放词汇检测、SAM2/SAM3 分割、视频时序推理、通过 llama.cpp 的 GGUF 以及托管式 LLM/VLM API。

[ECCV2024] 具备局部视觉标记化功能的接地多模态大型语言模型

NeurIPS 2024 论文：用于理解、生成、分割与编辑的统一像素级视觉 LLM

精选基于 LLM 的多模态生成（图像、视频、3D 与音频）论文列表。

精选多模态建模资源 [涵盖 MLLM、UMM 与 NMM]