vlm

NVIDIA 影片搜尋與摘要 (VSS) AI Blueprint 是一個 GPU 加速的參考架構，用於建構具備即時驗證警報、視覺化問答與自動化報告功能的影片分析代理程式。VSS Blueprint 採用如 NVIDIA Cosmos 等視覺語言模型 (VLM)、如 NVIDIA Nemotron 等 LLM、RAG 以及 NVIDIA NIM。

🚀🚀🚀 一些優秀的公開 YOLO 物件偵測系列專案與相關物件偵測資料集的集合。

透過 ExecuTorch 在 React Native 裝置端以宣告式方式執行 AI 模型。

OpenGUI 是一個用於手機端 AI 的 Android GUI 代理框架，可以透過 GUI 檢視、規劃並操作真實的手機應用程式。

為提升易用性、完整性與效率而設計的模型壓縮工具包。

Awesome-Jailbreak-on-LLMs 是關於 LLM 的最新、新穎、精彩越獄方法集合。包含論文、程式碼、資料集、評估與分析。

使用 VLM 進行攝影機監控

透過計算圖轉換（例如自動微分）實現快速的飛機設計最佳化。包含適用於空氣動力學、推進、結構、軌跡設計等多種可組合的分析工具。

包含 155 種以上 VLM/MLLM 架構的精選視覺化目錄：包含論文、圖表、訓練配方、資料集，以及多模態 AI 代理的發布時間軸。

JoyCaption 是一個從頭建構的影像標註視覺語言模型 (VLM)，作為供社群免費、開源且無審查的模型，用於訓練擴散模型。

一個開源的端對端 VLM 基礎 GUI Agent

InternRobotics 用於建構通用導航基礎模型的開放平台。

一系列輕量級的多模態模型。

MindSpore + 🤗Huggingface：在 MindSpore 上執行任何 Transformers/Diffusers 模型，具備無縫相容性與加速功能。

🚀 針對 LLM/VLM 的 PyTorch 分散式原生訓練函式庫，開箱即用支援 Hugging Face

【新增智能體模式】安卓端全場景 GPT 助手，可用音量鍵喚起並進行語音交流，支援聯網、拍照、範本、附件解析、智能體模式等

NEO 系列：從第一性原理構建的原生視覺語言模型

UniWorld：用於統一視覺理解與生成的高解析度語意編碼器

開源的 SOTA 多圖編輯模型

先進世界模型的統一程式碼庫

受 awesome-computer-vision 啟發，精選大模型（即 LLM/VLM）時代下與機器人領域相關的 3D 視覺論文清單，包含論文、程式碼及相關網站

「LLM × DATA」調查論文的官方儲存庫

🚀🚀🚀 收集一些關於大型語言模型（LLM）、視覺語言模型（VLM）、視覺語言動作（VLA）、AI 生成內容（AIGC）以及相關資料集與應用的優秀公開專案。

MobileGym：用於 Mobile GUI Agent 研究的可驗證高並行模擬平台 · 瀏覽器裡運行的安卓模擬器 · Browser-hosted Android Simulator · 可驗證評估 · 可擴展的線上 RL 訓練

[CVPR 2026🔥] 🧑‍🎨 OmniLottie，一個開源的多模態指令式向量動畫生成器，可輸出 Lottie JSON。

Dingo：一個全面的 AI 資料、模型與應用程式品質評估工具

[CVPR 2024 🔥] GeoChat，首個針對遙測的基礎大型視覺語言模型

生產級 C++ 邊緣 AI 引擎，適用於 Sophon、Rockchip RKNN 與 x86 平台的影片分析與裝置端 VLM，具備視覺編排、即時 OSD、事件處理與可重現的基準測試。

[ECCV 2026] SparkVSR：透過稀疏關鍵幀傳播的互動式影片超解析度

此儲存庫包含「VLM2Vec / MMEB」[ICLR 2025]、「VLM2Vec-V2 / MMEB-V2」[TMLR 2026] 以及「MMEB-V3」[COLM 2026] 的程式碼