mllm

[ICLR2026]「JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation」的官方實作

用於視覺語言模型的 ComfyUI 節點：Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V。另支援開放詞彙檢測、SAM2/SAM3 分割、影片時序推理、透過 llama.cpp 的 GGUF 以及託管式 LLM/VLM API。

[ECCV2024] 具備局部視覺標記化功能的接地多模態大型語言模型

NeurIPS 2024 論文：用於理解、生成、分割與編輯的統一像素級視覺 LLM

精選基於 LLM 的多模態生成（影像、影片、3D 與音訊）論文列表。

精選多模態建模資源 [涵蓋 MLLM、UMM 與 NMM]