#foundation-models Repositories
Entdecke 155 aktive Open-Source-GitHub-Repositories, die mit #foundation-models getaggt sind und insgesamt 525,346 Sterne gesammelt haben (durchschnittlich 3,389 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist facebookresearch/segment-anything mit 53,052 Sternen.
Insgesamt 155 Repositories
Das Repository bietet Code zur Ausführung von Inferenz mit dem SegmentAnything Model (SAM), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) wurde für Fähigkeiten auf GPT-4V-Niveau und darüber hinaus entwickelt.
Großflächiges selbstüberwachtes Pre-Training über Aufgaben, Sprachen und Modalitäten
Das Repository stellt Code zur Ausführung der Inferenz mit dem Meta Segment Anything Model 2 (SAM 2), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks bereit, die zeigen, wie das Modell verwendet wird.
[WIP] Ressourcen für KI-Ingenieure. Enthält auch unterstützende Materialien für das Buch "AI Engineering" (Chip Huyen, 2025)
YuE2: modernste Musikgenerierung mit symbolischer Planung, Zero-Shot-Covern und agentenbasierter Musikbearbeitung.
Das Repository stellt Code für die Durchführung von Inferenz und Finetuning mit dem Meta Segment Anything Model 3 (SAM 3) bereit, Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie man das Modell verwendet.
Moshi ist ein Sprach-Text-Grundlagenmodell und ein Full-Duplex-Sprachdialogsystem. Es verwendet Mimi, einen hochmodernen Streaming-Neural-Audio-Codec.
Eine Python-Bibliothek zur Anomalieerkennung in tabellarischen Daten, Zeitreihen, Graphen, Texten, Bildern und Audiodaten. Enthält über 60 Detektoren, eine benchmark-gestützte ADEngine-Orchestrierung und einen agentenbasierten Workflow für KI-Agenten.
OpenSquilla — Token-effizienter KI-Agent mit gleichem Budget, aber höherer Intelligenzdichte
ACE-Step: Ein Schritt in Richtung eines grundlegenden Modells für die Musikgenerierung
LimiX: Das Potenzial zur Modellierung strukturierter Daten für generalistische Intelligenz freisetzen https://arxiv.org/abs/2609.17488
TimeGPT-2.1: Produktionsreifes, vortrainiertes Foundation-Modell für Zeitreihen zur Prognose und Anomalieerkennung. Ein generativer, vortrainierter Transformer für Zeitreihen, der mit über 100 Milliarden Datenpunkten trainiert wurde. Mit nur wenigen Codezeilen kann es präzise Vorhersagen in verschiedenen Bereichen wie Einzelhandel, Stromversorgung, Finanzen und IoT treffen 🚀.
DeepSeek-VL: Auf dem Weg zum realitätsnahen Sprachverständnis in der Bildsprache
Grounded SAM 2: Beliebiges in Videos mit Grounding DINO, Florence-2 und SAM 2 am Boden verfolgen und nachverfolgen
Das Repository stellt Code zur Durchführung von Inferenz mit dem Meta Segment Anything Audio Model (SAM-Audio) bereit, Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
Code und Modelle für die ICML 2024-Arbeit, NExT-GPT: Any-to-Any Multimodales großes Sprachmodell
[CVPR2024 Highlight][VideoChatGPT] ChatGPT mit Video-Verständnis! Und viele weitere unterstützte LMs wie miniGPT4, StableLM und MOSS.
SuperCLUE: Ein umfassender Benchmark für generelle chinesische große Modelle | Ein Benchmark für Basismodelle im Chinesischen
Otter, ein multimodales Modell, das auf OpenFlamingo basiert (Open-Source-Version von DeepMinds Flamingo), trainiert auf MIMIC-IT und zeigt verbesserte Anweisungsbefolgung und In-Context-Lernfähigkeit.
Offizielles Repository für MOSS-Image, ein DiT-Basismodell mit 5 Milliarden Parametern, hochwertiger Textdarstellung, Layoutgenerierung und effizienter Feinabstimmung.
[CVPR 2025 Best Paper Nomination] FoundationStereo: Zero-Shot Stereo Matching
Holistic Evaluation of Language Models (HELM) ist ein Open-Source-Python-Framework, das vom Center for Research on Foundation Models (CRFM) an der Stanford University für die ganzheitliche, reproduzierbare und transparente Evaluierung von Foundation Models, einschließlich großer Sprachmodelle (LLMs) und multimodaler Modelle, entwickelt wurde.
Bilder zur Inferenz ohne Beschriftung (verwenden Sie Basismodelle, um beaufsichtigte Modelle zu trainieren).
GigaBrain-0: Ein von einem Weltmodell angetriebenes Vision-Sprache-Aktionsmodell
Awesome-LLM-3D: eine kuratierte Liste von Multi-modalen Large Language Models in der 3D-Welt Ressourcen
[CVPR 2025] Offizielle PyTorch-Implementierung von MambaVision: Ein hybrides Mamba-Transformer-Vision-Backbone
Beeindruckende Dinge über LLM-gestützte Agenten. Paper / Repos / Blogs / ...
Dies ist ein Workshop, der für Amazon Bedrock, einen Foundation-Model-Service, konzipiert wurde.
Ein automatischer Evaluator für instruktionsfolgende Sprachmodelle. Vom Menschen validiert, qualitativ hochwertig, günstig und schnell.
Häufig gestellte Fragen
Welches ist das beliebteste #foundation-models-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#foundation-models-Projekt auf GitHub ist facebookresearch/segment-anything mit 53,052 Sternen. Das Repository bietet Code zur Ausführung von Inferenz mit dem SegmentAnything Model (SAM), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
Welche Programmiersprachen werden in #foundation-models-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #foundation-models-Projekten auf GitHub sind Python, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #foundation-models-Repositories berechnet?
Wir verfolgen 155 aktive Open-Source-Repositories, die mit #foundation-models getaggt sind (500+ Sterne), mit insgesamt 525,346 Sternen und durchschnittlich 3,389 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.