Proyectos open source sobre «vision-language-model»

Modelos nativos de visión y lenguaje de código abierto (serie NEO) que procesan píxeles y palabras en una arquitectura densa sin encoder, con versiones de 2B y 9B.

Un motor de entrenamiento unificado para modelos multimodales que admite arquitecturas de visión y lenguaje, difusión y MoE, con FSDP2, Muon y kernels Liger.

Convierte PDF, archivos de Office, escaneos, capturas de pantalla y diagramas a Markdown mediante un modelo de visión compatible con OpenAI que tú eliges.

Modelos multimodales nativos de código abierto para comprender imágenes, generar imágenes a partir de texto y editarlas con una arquitectura unificada.

Un pequeño proyecto educativo para ejecutar inferencias de modelos de visión y lenguaje con MLX en Apple Silicon y puntuar respuestas candidatas sobre una imagen.

Modelo multimodal de pesos abiertos con 9B parámetros para comprensión visual, razonamiento espacial, uso de herramientas e investigación en IA encarnada, basado en Qwen3.5 y C-RADIOv4-H.

Modelo multimodal unificado que resuelve numerosas tareas de visión por computadora generando texto, imágenes o ambos a partir de instrucciones en lenguaje natural.