Startseite Projekte LISA
LISA
Python

LISA

Projektseite für "LISA: Reasoning Segmentation via Large Language Model"

von JIA-Lab-research · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Sprache
large-language-modelllmmulti-modalApache-2.0Python
Auf GitHub ansehen
In einfachen Worten

Stellen Sie Fragen zu Bildern und erhalten Sie detaillierte Erklärungen sowie visuelle Highlights mit LISA.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
LISA — GitHub preview card
📈 Sternhistorie
2.67k2.65k
2026-07-072026-08-31
📈 LISA verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Projektseite für "LISA: Reasoning Segmentation via Large Language Model"

LISA hat 2.7k Sterne auf GitHub. Es wurde 206-mal geforkt. LISA ist hauptsächlich in Python geschrieben. Es wird seit 2023 aktiv entwickelt. LISA ist unter der Apache-2.0-Lizenz verfügbar. Die Hauptthemen sind: large-language-model, llm, multi-modal, segmentation.

Frequently asked questions

Was ist LISA?

Projektseite für "LISA: Reasoning Segmentation via Large Language Model"

Ist LISA Open Source?

LISA ist ein Open-Source-Projekt. Es wird unter der Apache-2.0-Lizenz veröffentlicht.

Ist LISA kostenlos?

Ja. LISA ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht LISA?

LISA ist unter der Apache-2.0-Lizenz verfügbar.

In welcher Sprache ist LISA geschrieben?

LISA ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — LISA

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=jia-lab-research-lisa)](https://olud.ai/project/jia-lab-research-lisa.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.