multimodality

Cradle 框架是通用電腦控制（GCC）的首次嘗試。Cradle 透過在具備最低要求的標準化通用環境中提供強大的推理能力、自我改善與技能策劃，支援智慧體精通任何電腦任務。

收集 AIGC 領域 RAG 的精選論文。我們在論文「Retrieval-Augmented Generation for AI-Generated Content: A Survey」中提出了 RAG 基礎、增強與應用的分類法。

一種新穎的多模態大型語言模型（MLLM）架構，旨在結構化對齊視覺與文字嵌入。

多模態推薦系統的比較框架

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

自動化建模與機器學習框架 FEDOT

LLM2CLIP 顯著提升了原本已屬頂尖的 CLIP 模型。

✨✨Woodpecker: 多模態大型語言模型的幻覺修正

此儲存庫包含論文「MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI」的評估程式碼

(ECCVW 2025) GPT4RoI：基於感興趣區域 (Region-of-Interest) 的大型語言模型指令微調。

精選基於 LLM 的多模態生成（影像、影片、3D 與音訊）論文列表。