Um LLM multimodal que transforma figuras científicas e esboços feitos à mão em programas gráficos TikZ/LaTeX compiláveis.
DeTikZify é um modelo de linguagem multimodal que gera programas gráficos TikZ a partir de esboços e figuras existentes. O objetivo é facilitar a criação de figuras científicas a partir de um desenho preliminar ou recriar uma figura que existe apenas como imagem e não tem o código-fonte semântico correspondente.
O projeto oferece um pacote Python com uma API de pipeline para amostrar um único programa TikZ, rasterizar a saída compilada e executar um procedimento de inferência baseado em MCTS que refina os resultados iterativamente dentro de um tempo definido, sem treinamento adicional. Também oferece geração condicionada por texto por meio dos adaptadores TikZero e dos modelos TikZero+, além de incluir uma interface web que pode ser iniciada pela linha de comando.
Para usar o pacote, é necessário ter uma instalação completa do TeX Live 2023, ghostscript e poppler. Os pesos dos modelos e os conjuntos de dados DaTikZ estão hospedados no Hugging Face Hub, e há uma demonstração hospedada em um Hugging Face Space.
Instale o pacote Python com pip
pip install 'detikzify[legacy] @ git+https://github.com/potamides/DeTikZify'Instale uma versão completa do TeX Live 2023, ghostscript e poppler pelo gerenciador de pacotes
Inicie a interface web pela linha de comando
python -m detikzify.webui --lightResumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Um add-in do PowerPoint para Windows voltado a slides científicos, com legendas e rótulos de figuras, layouts alinhados de imagens, cópia de posições e formatação, inserção de Markdown e LaTeX e exportação de slides.
Modelos multimodais de código aberto (MiniCPM-V 4.7 e MiniCPM-o 4.5) para entender imagens, vídeos, documentos e fala em hardware local e dispositivos móveis.
Um toolkit open source para avaliar modelos grandes de visão e linguagem em diversos benchmarks multimodais com um único comando.
Família da Hugging Face de modelos compactos de linguagem aberta (SmolLM) e visão-linguagem (SmolVLM), projetados para rodar no dispositivo.
Um modelo multimodal de pesos abertos com 9 bilhões de parâmetros para compreensão visual, raciocínio espacial, uso de ferramentas por agentes e pesquisa em IA incorporada, baseado em Qwen3.5 e C-RADIOv4-H.
Biblioteca Python para criar agentes de linguagem multimodais capazes de raciocinar sobre entradas de texto, imagens, vídeo e áudio.