vlm

🤗 Transformers：用於最先進文字、視覺、音訊與多模態模型的模型定義框架，支援推論與訓練。

開源多模態 AI 代理堆疊：連接最前沿的 AI 模型與代理基礎設施

SGLang 是針對大型語言模型與多模態模型的高效能服務框架

可在本機執行 AI 的生產就緒工具組

網頁解析的終點，像素原生搜尋的起點。 link: https://pixelrag.ai/

收錄最先進電腦視覺模型與技術的教學集合，涵蓋從 ResNet 等基礎架構到 RF-DETR、YOLO11、SAM 3、Qwen3-VL 等前沿模型。

異常偵測相關的書籍、論文、影片與工具箱。2025 年末更新，涵蓋 LLM 與 VLM 相關工作

在 Qualcomm 裝置上以少量程式碼本地執行前沿 LLM 與 VLM，支援 NPU、GPU 與 CPU

ERNIE 4.5 與 ERNIEKit 的官方倉庫 – 基於 PaddlePaddle 的工業級開發工具套件

使用強化式 VLM 解決視覺理解問題。

低代码 MCP 框架，用于构建复杂且创新的 RAG 流水线

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

StarVector 是一個將向量化轉化為程式碼生成任務的 SVG 基礎模型。它使用視覺-語言建模架構，處理視覺與文字輸入，產生高品質 SVG 程式碼，精度卓越

涵蓋文字、影像、影片與音訊任務的全能多模態評估工具包

[CVPR 2026] PromptEnhancer 是一個提示重寫工具，將提示精煉為更清晰、結構化的版本，以提升圖像生成效果

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

一個精簡且可自訂的框架，用於高效的大型模型（LLM、VLM、AIGC）評估與效能基準測試。

一款 AI 驅動的檔案管理工具，透過整理本地文字與圖片來確保隱私。它使用 Llama3.2 3B 和 Llava v1.6 模型搭配 Nexa SDK，能直覺地掃描、重構並整理檔案，以實現快速、無縫的存取與輕鬆檢索。

Skywork-R1V 是 Skywork AI 開發的先進多模態 AI 模型系列，專注於視覺-語言推理

[NeurIPS 2024] OSWorld：在真實電腦環境中評測開放式任務的多模態 Agent。

開源 AI 攝影機技能平台、AI NVR 與 CCTV 監控。使用 Qwen、DeepSeek、SmolVLM、LLaVA、YOLO26 進行本機 VLM 影片分析。具備 LLM 驅動的智慧安全攝影機代理——透過 Telegram、Discord 或 Slack 守護您的家。支援可插拔的 AI 技能。支援 OpenAI、Google、Anthropic 或本機 AI。可運行於 Mac Mini 與 AI PC。

[EMNLP-2024] 建立適用於快速原型與生產的多模態語言代理程式

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。

GLM-4.6V/4.5V/4.1V-Thinking：邁向具備可擴展強化學習的通用多模態推理

ComfyUI 中的 LLM Agent 框架，包含 MCP server、Omost、GPT-sovits、ChatTTS、GOT-OCR2.0 與 FLUX prompt 節點，支援存取飛書、Discord，並適配所有具備類似 OpenAI / aisuite 介面的 LLM，例如 o1、ollama、gemini、grok、qwen、GLM、deepseek、kimi、doubao。已適配本地 LLM、VLM、GGUF（如 llama-3.3 Janus-Pro、Linkage graphRAG）

Google Research PaperBanana 用於自動化學術圖表、圖形與研究視覺化內容的開源實作與擴充，並已擴展至投影片生成等新領域。

ChatGPT Plus/Team/Pro 訂閱協議端到端重放工具集 · hCaptcha 視覺求解器 · 反欺詐機制實證研究

TokenSpeed 是一個極速的 LLM 推論引擎。

大型模型安全、防護與隱私的閱讀清單（包含 Awesome LLM Security, Safety 等）。

阿里巴巴開源的 Qwen-VL 系列微調開源實現。