multimodality

Cradle 框架是通用计算机控制（GCC）的首次尝试。Cradle 通过在具备最低要求的标准化通用环境中提供强大的推理能力、自我改进与技能策划，支持智能体精通任何计算机任务。

收集 AIGC 领域 RAG 的精选论文。我们在论文“Retrieval-Augmented Generation for AI-Generated Content: A Survey”中提出了 RAG 基础、增强与应用的分类法。

一种新颖的多模态大型语言模型（MLLM）架构，旨在结构化对齐视觉与文字嵌入。

多模态推荐系统的比较框架

「CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval」的官方实现

自动化建模与机器学习框架 FEDOT

LLM2CLIP 显著提升了原本已属顶尖的 CLIP 模型。

✨✨Woodpecker: 多模态大型语言模型的幻觉修正

此仓库包含论文“MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI”的评估代码

(ECCVW 2025) GPT4RoI：基于感兴趣区域 (Region-of-Interest) 的大型语言模型指令微调。

精选基于 LLM 的多模态生成（图像、视频、3D 与音频）论文列表。