Inicio Proyectos Ovis-U1
Ovis-U1
Python

Ovis-U1

Un modelo unificado que integra sin problemas comprensión multimodal, generación de texto a imagen y edición de imágenes dentro de un único marco poderoso.

por ATH-MaaS · GitHub
Estrellas
Ramas
Licencia
Creado
Último commit
Categoría
Lenguaje
image-editingmultimodal-large-language-modelstext-to-imageApache-2.0Python
Ver en GitHub
En palabras simples

Genera imágenes a partir de texto, edita imágenes y entiende escenas complejas utilizando un solo modelo de IA.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
Ovis-U1 — GitHub preview card
📈 Historial de estrellas
451450
2026-07-202026-08-31
📈 Sigue Ovis-U1

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Un modelo unificado que integra sin problemas comprensión multimodal, generación de texto a imagen y edición de imágenes dentro de un único marco poderoso.

Ovis-U1 tiene 450 estrellas en GitHub. Se ha bifurcado 15 veces. Ovis-U1 está escrito principalmente en Python. Se desarrolla activamente desde 2025. Ovis-U1 está disponible bajo la licencia Apache-2.0. Sus temas principales son: image-editing, multimodal-large-language-models, text-to-image.

Frequently asked questions

¿Qué es Ovis-U1?

Un modelo unificado que integra sin problemas comprensión multimodal, generación de texto a imagen y edición de imágenes dentro de un único marco poderoso.

¿Ovis-U1 es de código abierto?

Ovis-U1 es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿Ovis-U1 es gratis?

Sí. Ovis-U1 es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está Ovis-U1?

Ovis-U1 está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito Ovis-U1?

Ovis-U1 está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — Ovis-U1

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=ath-maas-ovis-u1)](https://olud.ai/project/ath-maas-ovis-u1.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
RPG-DiffusionMaster
[ICML 2024] Dominando la Difusión de Texto a Imagen: Recaptioning, Planificación y Generación c…
1.8k · image-editting
compartemultimodal-large-language-modelstext-to-image
stable-flow
Implementación oficial de "Stable Flow: Capas Vitales para la Edición de Imágenes sin Entrenami…
409 · deep-learning
comparteimage-editingtext-to-image
Ovis-Image
Ovis-Image es un modelo de texto a imagen de 7B específicamente optimizado para renderizado de…
318 · image-generation
compartetext-to-image
DALLE2-pytorch
Implementación de DALL-E 2, la red neuronal de síntesis de texto a imagen actualizada de OpenAI…
11.3k · artificial-intelligence
compartetext-to-image
DF-GAN
[CVPR2022 oral] Una base simple y efectiva para la síntesis de texto a imagen
326 · generative-adversarial-network
compartetext-to-image
Paint-by-Example
Pintar por Ejemplo: Edición de Imágenes Basada en Ejemplares con Modelos de Difusión
1.3k · computer-vision
comparteimage-editing
Awesome-Medical-Large-Language-Models
Artículos seleccionados sobre Modelos de Lenguaje Grande en el ámbito de la Salud y Medicina
390 · large-language-models
compartemultimodal-large-language-models
VQGAN-CLIP
Solo jugando con hacer funcionar VQGAN+CLIP localmente, en lugar de tener que usar colab.
2.7k · text-to-image
compartetext-to-image
Spatial-MLLM
[NeurIPS 2025 Spotlight] Implementación oficial de Spatial-MLLM: Mejorando las Capacidades de M…
477 · aigc
compartemultimodal-large-language-models
Attend-and-Excite
Implementación oficial para "Attend-and-Excite: Guía Semántica Basada en Atención para Modelos…
772 · diffusion-models
compartetext-to-image

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.