Open source проекты по теме «vision-language-model»

Открытые нативные vision-language модели серии NEO обрабатывают пиксели и слова в единой плотной архитектуре без энкодера; доступны версии 2B и 9B.

Единый движок для обучения мультимодальных моделей с поддержкой архитектур vision-language, diffusion и MoE, а также FSDP2, Muon и ядер Liger.

Преобразует PDF, файлы Office, сканы, скриншоты и диаграммы в Markdown, отправляя страницы вашей модели зрения, совместимой с OpenAI.

Нативные мультимодальные модели с открытым исходным кодом для понимания изображений, генерации изображений по тексту и редактирования изображений в единой архитектуре.

Небольшой учебный проект для запуска инференса vision-language-модели на Apple Silicon с помощью MLX и оценки вариантов ответа по одному изображению.

Мультимодальная модель с открытыми весами и 9 млрд параметров для визуального понимания, пространственных рассуждений, работы с инструментами и исследований embodied AI, построенная на Qwen3.5 и C-RADIOv4-H.

Унифицированная мультимодальная модель для множества задач компьютерного зрения: по инструкциям на естественном языке генерирует текст, изображения или и то и другое.