VisionFusion là một thư viện AI mã nguồn mở mới được công bố trên GitHub vào ngày 21/09/2026, nhằm giải quyết nhu cầu kết hợp phân tích ảnh tĩnh và video trong một mô hình duy nhất. Thư viện hỗ trợ các mô hình pretrained dựa trên ViT‑G và TimeSformer, cho phép nhận dạng đối tượng, hành động và ngữ cảnh trong thời gian thực.
Một trong những tính năng nổi bật của VisionFusion là khả năng “Cross‑Modal Attention”, giúp mô hình đồng bộ thông tin từ khung hình tĩnh và chuỗi video, nâng cao độ chính xác lên tới 12% so với các giải pháp riêng lẻ. Thư viện còn tích hợp các công cụ tiền xử lý dữ liệu, augmentation và visualisation.
VisionFusion đã nhanh chóng nhận được sự quan tâm của các công ty công nghệ giám sát, y tế và giao thông. Một dự án khởi nghiệp trong lĩnh vực y tế sử dụng VisionFusion để phát hiện sớm các bất thường tim mạch trong video siêu âm, đạt độ chính xác 94%.
Dự án hiện đang có hơn 8.000 sao và 1.200 fork, và nhóm phát triển dự định phát hành phiên bản 1.5 vào tháng 12, bổ sung hỗ trợ cho các thiết bị di động và tăng cường khả năng chạy trên Edge AI chips.