multimodal-large-language-models 第 2 页
本站收录 60 个带「multimodal-large-language-models」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 2 页）
Video-BenchVideo-Bench 是一个视频生成领域的评测基准项目，旨在系统评估视频生成模型的质量。它解决的核心问题是：当前视频生成模型（如Sora类模型）缺乏统一、客观★ 82
HermesFlowHermesFlow 是一个多模态大语言模型（MLLM）项目，旨在弥合视觉理解与生成之间的鸿沟。它通过统一框架同时支持图像到文本（如描述、问答）和文本到图像（如★ 79
Awesome-spatial-visual-reasoning-MLLMs这是一个聚焦空间/视觉推理多模态大模型（MLLMs）的精选资源仓库，特别关注具身智能应用。项目系统梳理了当前主流空间推理MLLMs的论文、代码和评测基准，涵盖视★ 72
MLM_FilterMLM_Filter 是一个用于图像-文本数据过滤的开源工具，基于论文《Finetuned Multimodal Language Models are Hig★ 71
VideoLucyVideoLucy 是一个面向长视频理解的开源项目，发表于 NeurIPS 2025，核心创新在于“深度记忆回溯”（Deep Memory Backtracki★ 69
VisualWebBenchVisualWebBench 是一个针对多模态大语言模型（MLLMs）在网页理解与定位（Grounding）任务上的评估框架，源自同名论文。它解决的核心问题是：★ 68
CausalMMCausalMM 是一个针对多模态大语言模型（MLLM）幻觉问题的开源项目，发表于 ICLR 2025。它主要解决因模态先验（如文本先验）导致的幻觉，即模型在生★ 67
DEFAMEDEFAME 是一个用于文本和视觉输入的事实核查系统，旨在自动验证信息真实性。它通过分析文本内容和相关图像，识别潜在的虚假信息或误导性内容。系统结合了自然语言处★ 62
local-cocoalocal-cocoa 是一个运行在本地设备上的 AI 助手，核心目标是将用户的个人文件转化为可操作、可检索的记忆。它通过本地索引和语义理解，让用户能够用自然语★ 58
Re-AlignRe-Align 是一个针对视觉语言模型（VLM）幻觉问题的对齐框架，发表于 EMNLP 2025。它通过引入图像检索机制，在模型生成文本时检索相关图像作为额外★ 52