「vision-language-model」に関するオープンソースプロジェクト

ピクセルと単語を単一のエンコーダーフリーな高密度アーキテクチャで処理する、オープンソースのネイティブ視覚言語モデル（NEOシリーズ）。2Bと9Bを公開。

FSDP2、Muon、Liger kernelsに対応し、vision-language・diffusion・MoEアーキテクチャを扱えるマルチモーダルモデル向けの統合学習エンジン。

PDF、Officeファイル、スキャン、スクリーンショット、図を、独自のOpenAI互換ビジョンモデルでMarkdownに変換します。

画像理解、画像生成、画像編集を単一のアーキテクチャで実現するオープンソースのネイティブマルチモーダルモデル。

Apple Silicon上でMLXを使い、1枚の画像に対する回答候補をスコアリングする小規模な学習用プロジェクト。

Qwen3.5とC-RADIOv4-Hを基盤とする、視覚理解・空間推論・ツール利用・身体性AI研究向けの9Bオープンウェイトマルチモーダルモデル。

自然言語の指示に応じてテキスト、画像、またはその両方を生成し、多様なコンピュータビジョンタスクを処理する統合マルチモーダルモデル。