Startseite Projekte SpatialLM
SpatialLM

SpatialLM

von manycore-research · GitHub

[NeurIPS 2025] SpatialLM: Training großer Sprachmodelle für strukturiertes Innenmodellieren

Auf GitHub ansehen
In einfachen Worten

Trainieren und verfeinern Sie große Sprachmodelle, um Innenräume zu verstehen und zu modellieren.

⭐ Sterne
🍴 Forks
🔥 Trendend
📜 Lizenz
Lizenz nicht angegeben
📅 Erstellt
🔄 Letzter Commit
🏷️ Kategorie
💻 Sprache
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 →
SpatialLM — GitHub preview card
📈 Sternhistorie
4.63k4.61k
2026-07-122026-07-29
📈 SpatialLM verfolgen

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

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

[NeurIPS 2025] SpatialLM: Training großer Sprachmodelle für strukturiertes Innenmodellieren

SpatialLM hat 4.6k Sterne auf GitHub. Es wurde 391-mal geforkt. SpatialLM ist hauptsächlich in Python geschrieben. Es wird seit 2025 aktiv entwickelt. Die Hauptthemen sind: mllm, point-clouds, scene-understanding, spatial-intelligence.

Frequently asked questions

Was ist SpatialLM?

[NeurIPS 2025] SpatialLM: Training großer Sprachmodelle für strukturiertes Innenmodellieren

Ist SpatialLM Open Source?

SpatialLM ist ein Open-Source-Projekt.

Ist SpatialLM kostenlos?

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

In welcher Sprache ist SpatialLM geschrieben?

SpatialLM ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
OpenSourceAI badge — SpatialLM

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

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=manycore-research-spatiallm)](https://opensourceai.tech/project/manycore-research-spatiallm.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

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