OmniParse: Plataforma Open-Source de Parseo Universal de Datos para Pipelines GenAI
Las aplicaciones GenAI modernas consumen datos en muchas formas – PDFs, hojas de calculo, imagenes, grabaciones de audio y archivos de …
Tags
Multimodal
OmniGen2: Modelo de Generación Multimodal Avanzado de Código Abierto
El panorama de la generación de imágenes se ha vuelto cada vez más fragmentado. Diferentes modelos manejan la generación de texto a imagen, la …
MLX-VLM: Inferencia y Ajuste Fino de Modelos de Lenguaje de Visión en Apple Silicon
Ejecutar Modelos de Lenguaje de Visión – sistemas de IA que pueden entender imágenes y texto simultáneamente – ha requerido …
MiniCPM-o: LLM Multimodal de Codigo Abierto para Vision, Voz y Texto
Los modelos de IA multimodales que pueden procesar simultaneamente vision, voz y texto representan la vanguardia de la inteligencia artificial. …
LLaMA-VID: Una Imagen Vale 2 Tokens -- Comprensión Eficiente de Videos Largos con LLMs
LLaMA-VID es un proyecto de investigación de ECCV 2024 que aborda el cuello de botella fundamental en la comprensión de video con LLMs: la …
LAVIS: Biblioteca de IA de Lenguaje Visual de Salesforce
La IA de lenguaje visual (modelos que entienden tanto imágenes como texto) es una de las áreas de la inteligencia artificial que avanza más …