“vision-language-model” 相关开源项目

开源原生视觉-语言模型系列 NEO，采用无编码器的稠密架构统一处理像素与文字，提供 2B 与 9B 版本。

面向多模态模型的统一训练引擎，支持视觉语言、扩散及 MoE 等架构的分布式训练。

借助你自己的 OpenAI 兼容多模态模型，把 PDF、Office 文件、扫描件和截图转换为 Markdown。

开源原生多模态模型，在统一架构内同时完成图像理解、文生图和图像编辑。

一个在 Apple Silicon 上用 MLX 学习视觉语言模型推理的小型教学项目，对同一图片的候选答案直接打分。

一款 9B 参数的开源多模态大模型，面向视觉理解、空间推理、工具调用和具身智能研究。

一个统一多模态模型，通过自然语言指令生成文本、图像或图文结合的结果，完成多种计算机视觉任务。