マルチモーダルMultimodal-Recommendation-Library
MRLibは、マルチモーダル推薦システムの研究開発に特化したオープンソースライブラリです。画像、テキスト、音声など…
★ 69 ⑂ 6 MIT 2026-05-08
マルチモーダル (159 repos)
カテゴリ「マルチモーダル」のリポジトリ一覧
マルチモーダル
マルチモーダルCourtSI
CourtSIは、スポーツ分野における空間知能を評価するための大規模データセットとベンチマークです。100万以上の質問…
★ 69 Apache-2.0 2026-03-15
マルチモーダルQwen3.6-40B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking-NEO-CODE-Di-IMatrix-MAX-GGUF
このREADMEは、Qwen 3.6系をベースに40Bへ拡張し、Deckard系データセットやClaude 4.6 Opus由来データで多段階調整し…
❤ 65 ↓ 107.1k apache-2.0 2026-05-02
マルチモーダルMOSS-Audio-8B-Thinking
MOSS-Audio-8B-Thinkingは、音声・環境音・音楽を横断的に理解できるオープンソースの音声理解モデルです。文字起こ…
❤ 61 ↓ 42.6k apache-2.0 2026-04-14
マルチモーダルshadow
ShadowはmacOS向けの高度なパーソナルAIエンジンです。画面、音声、キー入力、クリップボードなど、コンピューター上…
★ 60 ⑂ 3 MIT 2026-03-16
マルチモーダルMOSS-VL-Base-0408
MOSS-VL-Base-0408は、OpenMOSS系の画像・動画理解向けマルチモーダル基盤モデルです。4段階の事前学習のみで構築さ…
❤ 60 ↓ 366 apache-2.0 2026-04-23
マルチモーダルWeiClaw
WeChat（微信）をあらゆるAIエージェントのインターフェースとして機能させるオープンソースツールです。`npx`コマン…
★ 58 ⑂ 6 MIT 2026-03-24
マルチモーダル
HF acestep-transcriber
ACE-Step Transcriberは、ACE-Step v1.5の学習データ注釈に使われる多言語音声転写モデルです。話し声だけでなく歌声…
❤ 56 ↓ 10.8k mit 2026-02-03
マルチモーダルGEditBench_v2
GEditBench v2は、汎用画像編集モデルの性能を人間が調整した基準で評価するための包括的なベンチマークです。1,200…
★ 53 ⑂ 1 2026-04-01
マルチモーダルMOSS-Audio-4B-Instruct
MOSS-Audio-4B-Instructは、音声・環境音・音楽を統合的に理解し、テキストで応答するオープンソースの音声理解モデ…
❤ 52 ↓ 8.3k apache-2.0 2026-04-14
マルチモーダルAwesome-AVI
JavisVerse/Awesome-AVIは、「大規模基盤モデルにおけるオーディオ・ビジュアル・インテリジェンス（AVI）」に関する…
★ 51 2026-05-08
マルチモーダルGameVerse
GameVerseは、動画ベースの反射学習を通じてVision-Language Models (VLMs) がゲームプレイを学習できるかを検証する…
★ 49 MIT 2026-03-26
マルチモーダルaudio-flamingo-next-hf
Audio Flamingo Nextは、音声・環境音・音楽をまとめて理解できるNVIDIAの大規模音声言語モデルです。音声Q&A、文字…
❤ 48 ↓ 7.8k other 2026-04-15
マルチモーダルawesome-modality-missing-learning
このリポジトリは、モダリティ欠落学習（Modality Missing Learning, MML）および不完全マルチモーダル学習に関する…
★ 44 ⑂ 2 MIT 2026-05-12
マルチモーダルneo-unify
このリポジトリは、SenseNovaの「Neo-Unify」に触発された、エンコーダフリーの統合マルチモーダルモデルの実験的な…
★ 42 ⑂ 1 2026-03-08
マルチモーダルmusic-flamingo-think-2601-hf
Music Flamingo Thinkは、音楽や楽曲音声を入力として詳細な説明や質疑応答を行えるNVIDIAの音声言語モデルです。ジ…
❤ 41 ↓ 2.1k other 2026-04-07
マルチモーダルHY-Embodied-0.5-X
HY-Embodied-0.5-Xは、Tencent Robotics XとHY Vision Teamが共同開発した、リアルワールドエージェント向けの拡張さ…
★ 41 ⑂ 3 NOASSERTION 2026-05-14
マルチモーダルScreenClaw
ScreenClaw（睇虾）は、AIアプリケーションとデスクトップソフトウェアを連携させるためのローカル実行型ミドルウェ…
★ 39 ⑂ 11 MIT 2026-05-04
マルチモーダルMOSS-Audio-8B-Instruct
MOSS-Audio-8B-Instructは、音声・環境音・音楽をまとめて理解できるオープンソースの音声理解モデルです。音声認識…
❤ 38 ↓ 1.8k apache-2.0 2026-04-14
マルチモーダルThinking-with-Visual-Primitives
「Thinking with Visual Primitives」は、Multimodal Large Language Models (MLLM) が抱える「Reference Gap」を解…
★ 38 ⑂ 38 MIT 2026-05-01
マルチモーダルrs-paper-hub
RS-Paper-Hubは、arXivからリモートセンシングおよび地球観測関連の論文を自動的に収集、整理、分類、タスクタグ付け…
★ 38 ⑂ 6 2026-05-15
マルチモーダル
HF ultravox-v0_5-llama-3_1-8b
Ultravoxは、Llama 3.1 8B InstructとWhisper large v3 turboを組み合わせた音声入力対応のマルチモーダルLLMです。…
❤ 37 ↓ 23.1k mit 2025-05-06
マルチモーダルsynthvision
SynthVisionは、医療画像VQA（Visual Question Answering）データセットの生成と、それを用いたVLM（Vision Language…
★ 32 ⑂ 5 2026-03-23
マルチモーダルMOSS-Audio-4B-Thinking
MOSS-Audio-4B-Thinkingは、音声・環境音・音楽をまとめて理解し、文字起こし、話者や感情の分析、音の状況把握、要…
❤ 28 ↓ 923 apache-2.0 2026-04-14