skycontact/skyvision.cpp は、画像や動画に質問し答えを得られるローカル視覚言語推論エンジンである。GitHub リポジトリの説明と README によると、モデル構造に適した GGUF バックエンドを選択する統合インターフェースを提供する。GGUF はモデルを保存・配布するためのファイル形式である。リポジトリにはコマンドラインツール、ウェブインターフェース、そしてエージェントが接続できるモデルコンテキストプロトコル（MCP）サーバーが含まれている。最新のリリースは登録されておらず、今回の新しいバージョンや変更点は確認できない。
このプロジェクトの中心は、複数の視覚言語モデルをひとつのエンジンで扱うことにある。説明では moondream3.1、VideoChat3、Qwen2.5-VL、MOSS-VL、VideoMAE/ViViT、SmolVLM が対応対象として挙げられている。一部のモデルは動画入力や分類・特徴抽出モードにも対応する。動画问答と位置推定、動画分類の機能はツールごとに分かれている。リポジトリの主言語は C++ で、実行時に Python や CUDA ツールキットを必要としないと紹介されている。
ただし対応範囲と互換性はバックエンドごとに異なり、モデル変換や実行条件にも左右される。そのため、挙げられたモデル名だけからすべてのモデルが同じ方法で動作するとみなすことはできない。リポジトリのライセンス表記は NOASSERTION であり、この情報だけで利用条件を判断することはできない。リリースが登録されていない初期段階のリポジトリであるため、実際に使用する前には、必要なモデルの互換性とライセンス条件を別途確認する必要がある。