Projetos open source sobre “vision-language-model”

Modelos nativos de visão e linguagem de código aberto (série NEO) que processam pixels e palavras em uma única arquitetura densa sem encoder, com versões 2B e 9B.

Engine de treinamento unificado para modelos multimodais, com suporte a arquiteturas de visão e linguagem, difusão e MoE, além de FSDP2, Muon e kernels Liger.

Converte PDFs, arquivos do Office, digitalizações, capturas de tela e diagramas em Markdown usando seu próprio modelo de visão compatível com OpenAI.

Modelos multimodais nativos e open source que entendem imagens, geram imagens a partir de texto e editam imagens em uma única arquitetura unificada.

Projeto educacional enxuto para executar inferência de modelos visão-linguagem em Apple Silicon com MLX e pontuar respostas candidatas sobre uma imagem.

Modelo multimodal de pesos abertos com 9 bilhões de parâmetros para compreensão visual, raciocínio espacial, uso de ferramentas e pesquisa em IA incorporada, baseado no Qwen3.5 e no C-RADIOv4-H.

Um modelo multimodal unificado que realiza várias tarefas de visão computacional gerando texto, imagens ou ambos a partir de instruções em linguagem natural.