Un LLM multimodal que convierte figuras científicas y bocetos a mano en programas gráficos TikZ/LaTeX compilables.
DeTikZify es un modelo de lenguaje multimodal que genera programas gráficos TikZ a partir de bocetos y figuras existentes. Su objetivo es facilitar la creación de figuras científicas a partir de un dibujo preliminar o la recreación de una figura que solo existe como imagen y no cuenta con su fuente semántica original.
El proyecto ofrece un paquete de Python con una API de pipeline para muestrear un único programa TikZ, rasterizar el resultado compilado y ejecutar un procedimiento de inferencia basado en MCTS que refina los resultados de forma iterativa dentro de un tiempo determinado, sin entrenamiento adicional. También permite generar figuras condicionadas por texto mediante los adaptadores TikZero y los modelos TikZero+, e incluye una interfaz web que se puede iniciar desde la línea de comandos.
Para usar el paquete se necesita una instalación completa de TeX Live 2023, ghostscript y poppler. Los pesos de los modelos y los conjuntos de datos DaTikZ están alojados en Hugging Face Hub, y hay una demo alojada en un Hugging Face Space.
Instala el paquete de Python con pip
pip install 'detikzify[legacy] @ git+https://github.com/potamides/DeTikZify'Instala una versión completa de TeX Live 2023, ghostscript y poppler con tu gestor de paquetes
Inicia la interfaz web desde la línea de comandos
python -m detikzify.webui --lightResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Un complemento de PowerPoint para Windows pensado para presentaciones científicas: leyendas y etiquetas de figuras, diseños de imágenes alineados, copia de posiciones y formato, inserción de Markdown y LaTeX, y exportación de diapositivas.
Modelos multimodales de código abierto (MiniCPM-V 4.7 y MiniCPM-o 4.5) para comprender imágenes, videos, documentos y voz en hardware local y dispositivos.
Un toolkit de código abierto para evaluar modelos grandes de visión y lenguaje en numerosos benchmarks multimodales con un solo comando.
Familia de modelos compactos de lenguaje (SmolLM) y visión-lenguaje (SmolVLM) de Hugging Face, diseñados para ejecutarse en el dispositivo.
Modelo multimodal de pesos abiertos y 9B parámetros para comprensión visual, razonamiento espacial, uso de herramientas por agentes e investigación en IA corporeizada, basado en Qwen3.5 y C-RADIOv4-H.
Una biblioteca de Python para crear agentes de lenguaje multimodales capaces de razonar a partir de texto, imágenes, video y audio.