vlm

🤗 Transformers：用于最先进文字、视觉、音频与多模态模型的模型定义框架，支持推理与训练。

开源多模态 AI 代理堆栈：连接最前沿的 AI 模型与代理基础设施

SGLang 是针对大型语言模型与多模态模型的高性能服务框架

可在本机运行 AI 的生产就绪工具包

网页解析的终点，像素原生搜索的起点。 link: https://pixelrag.ai/

收录最先进计算机视觉模型与技术的教程集合，涵盖从 ResNet 等基础架构到 RF-DETR、YOLO11、SAM 3、Qwen3-VL 等前沿模型。

异常检测相关的书籍、论文、视频与工具箱。2025 年末更新，涵盖 LLM 与 VLM 相关工作

在 Qualcomm 设备上以少量代码本地运行前沿 LLM 和 VLM，支持 NPU、GPU 和 CPU

ERNIE 4.5 与 ERNIEKit 的官方仓库 – 基于 PaddlePaddle 的工业级开发工具套件

使用强化式 VLM 解决视觉理解问题。

低代码 MCP 框架，用于构建复杂且创新的 RAG 流水线

🌟100+ 原创 LLM / RL 原理图📚，《大模型算法》作者巨献！💥（100+ LLM/RL Algorithm Maps ）

StarVector 是一个将向量化转化为代码生成任务的 SVG 基础模型。它使用视觉-语言建模架构，处理视觉与文字输入，产生高质量 SVG 代码，精度卓越

涵盖文本、图像、视频和音频任务的全能多模态评估工具包

[CVPR 2026] PromptEnhancer 是一个提示重写工具，将提示精炼为更清晰、结构化的版本，以提升图像生成效果

MiniMax-Text-01 与 MiniMax-VL-01 官方仓库，基于 Linear Attention 的大语言模型与视觉语言模型

一个精简且可自定义的框架，用于高效的大型模型（LLM、VLM、AIGC）评估与性能基准测试。

一款 AI 驱动的文件管理工具，通过整理本地文本与图片来确保隐私。它使用 Llama3.2 3B 和 Llava v1.6 模型搭配 Nexa SDK，能直观地扫描、重构并整理文件，以实现快速、无缝的访问与轻松检索。

Skywork-R1V 是 Skywork AI 开发的先进多模态 AI 模型系列，专注于视觉-语言推理

[NeurIPS 2024] OSWorld：在真实电脑环境中评测开放式任务的多模态 Agent。

开源 AI 相机技能平台、AI NVR 与 CCTV 监控。使用 Qwen、DeepSeek、SmolVLM、LLaVA、YOLO26 进行本地 VLM 视频分析。具备 LLM 驱动的智能安全相机代理——通过 Telegram、Discord 或 Slack 守护您的家。支持可插拔的 AI 技能。支持 OpenAI、Google、Anthropic 或本地 AI。可运行于 Mac Mini 与 AI PC。

[EMNLP-2024] 构建适用于快速原型与生产的多模态语言代理

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。

GLM-4.6V/4.5V/4.1V-Thinking：迈向具备可扩展强化学习的通用多模态推理

ComfyUI 中的 LLM Agent 框架，包含 MCP server、Omost、GPT-sovits、ChatTTS、GOT-OCR2.0 与 FLUX prompt 节点，支持访问飞书、Discord，并适配所有具备类似 OpenAI / aisuite 接口的 LLM，例如 o1、ollama、gemini、grok、qwen、GLM、deepseek、kimi、doubao。已适配本地 LLM、VLM、GGUF（如 llama-3.3 Janus-Pro、Linkage graphRAG）

Google Research PaperBanana 用于自动化学术图表、图形与研究可视化内容的开源实现与扩展，并已扩展至幻灯片生成等新领域。

ChatGPT Plus/Team/Pro 订阅协议端到端重放工具集 · hCaptcha 视觉求解器 · 反欺诈机制实证研究

TokenSpeed 是一个极速的 LLM 推理引擎。

大型模型安全、防护与隐私的阅读清单（包含 Awesome LLM Security, Safety 等）。

阿里巴巴开源的 Qwen-VL 系列微调开源实现。