多模态生成
共 434 个仓库
面向电商场景的 GPT Image 2.5 提示词手册，覆盖商品主图、模特试穿、产品展示、互动场景和社交电商素材的生成与修图。
用强化学习（GRPO）训练视觉语言模型生成更细粒度、更密集的图像描述，解决普通 caption 模型描述过于笼统的问题。
一套面向 AI 编程助手的生成式媒体技能包，让 Claude、Cursor 等助手能直接产出高质量图片、视频、音频和语音内容。
一条命令把任意选题自动做成可直接发布的短视频，涵盖调研、脚本、配音、画面、配乐、字幕与合成，适合批量生产 YouTube、Reels、TikTok 内容。
面向视觉语言模型的对齐与安全研究代码库，提供对抗攻击方法，用于评估多模态基础模型的鲁棒性和可信度。
系统梳理生成式 AI 在自动驾驶全栈中的应用，覆盖感知、决策到仿真与 sim2real，帮研究者快速看清技术版图与关键挑战。
用强化学习对扩散模型做后训练，支持文生图、文生视频和图生视频，主打高效、稳定、可扩展。
把 fal.ai 上 1400 多个图像、视频、音频和 LLM 模型接进 ComfyUI 的自定义节点，自带缓存和费用控制，方便在本地工作流里直接调用云端生成能力。
把视觉预训练扩展到 4K 分辨率，让视觉语言模型在高清图像上也能高效训练和推理。
多供应商 AI 图像生成器，支持 Gitee AI、HuggingFace、ModelScope 等后端，提供 OpenAI 兼容 API 与 token 轮换，可一键部署到 Cloudflare Pages。
Iris-3B 是一个 3B 参数的扩散 Transformer，直接在像素空间生成图像、无需 VAE；同一预训练先验微调后还能做单目深度估计和 4 倍图像修复。
面向新手的 ComfyUI 前端界面，简化 Stable Diffusion 和 Flux 等图像生成工作流操作，降低上手门槛。
收集视觉语言模型在流式视频场景下的论文与开源代码，帮研究者快速定位在线视频理解方向的资料。
把扩散模型的去噪步骤拆到多张卡上异步并行执行，无需重新训练就能显著加速 Stable Diffusion 等文生图、文生视频模型的推理。
为 ComfyUI 提供 MiniMax H3 文生图、参考图编辑和 Qwen 细节精修的节点与实测工作流，开箱即用。
面向视觉语言模型的 INT4 量化部署方案，通过量化感知蒸馏把大模型压缩到 4bit，在保持多模态能力的同时大幅降低显存占用。
在官方 DocVQA 基准上让智能体自动迭代 Qwen3-VL 的训练代码，省去手工调参和实验设计，支持 NVIDIA 多卡与 Apple Silicon。
用 CSS Flexbox 布局语法在 Python 里生成图片，支持渐变、阴影和文字排版，适合批量出图或程序化设计。
把普通文本渲染成逼真的手写体图片，支持手写字体、信纸背景和字距行距笔画随机扰动，提供 GUI 和 CLI 两种用法。
汇总各家 AI 视频生成模型的横向对比清单，覆盖模型能力、可用 API、价格和生成速度，方便选型时快速查表。
收集整理 MiniMax H3 视频生成提示词，覆盖电影感、广告、动漫、UGC、产品视频等场景，附带可播放示例和创作者署名，方便直接参考套用。
面向自动驾驶场景的视觉语言基础模型，通过多模态理解把驾驶画面转成可推理的语义描述，为端到端驾驶提供感知与决策支持。
把 Qwen-Image-2.1 的文生图和多图编辑提示词按阿里官方规范自动改写优化，让 AI Agent 出图更准。
从长视频游戏录像里自动剪出适合竖屏短视频的精彩片段，靠 AI 场景分析挑高光、GPU 加速渲染，还能加 AI 配音。