#multi-modal Repositories
Entdecke 47 aktive Open-Source-GitHub-Repositories, die mit #multi-modal getaggt sind und insgesamt 208,313 Sterne gesammelt haben (durchschnittlich 4,432 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist agentscope-ai/agentscope mit 36,422 Sternen.
Insgesamt 47 Repositories
Bauen und führen Sie Agenten aus, die Sie sehen, verstehen und denen Sie vertrauen können.
[CVPR 2024 Oral] InternVL Family: Eine bahnbrechende Open-Source-Alternative zu GPT-4o. Ein Open-Source-multimodales Dialogmodell, das die Leistung von GPT-4o erreicht.
Der KI-Arbeitsbereich für Experten. Wechseln Sie während des Chats zwischen über 800 Modellen, passen Sie mehr als 40 Parameter an und vergleichen Sie Beam-Modelle nebeneinander. Verwenden Sie Ihre eigenen Schlüssel und hosten Sie es selbst. Auf unserer nativen Protokoll-Engine aufgebaut: zuverlässig, hochgradig konfigurierbar und schnell.
ein hochmodernes offenes visuelles Sprachmodell | multimodales vortrainiertes Modell
Chinesische Version von CLIP, die chinesische Cross-Modal-Retrieval und Repräsentationsgenerierung ermöglicht.
Implementierung / Replikation von DALL-E, OpenAIs Text-zu-Bild-Transformer, in Pytorch
Open-Source-Evaluierungstoolkit für große Multimodale Modelle (LMMs), unterstützt 220+ LMMs, 80+ Benchmarks
[EMNLP 2022] Ein offenes Toolkit für die Extraktion und Konstruktion von Wissensgraphen
OmniGen: Vereinheitlichte Bildgenerierung. https://arxiv.org/pdf/2409.11340
Chinesisches und englisches multimodales konversationelles Sprachmodell | Multimodales chinesisch-englisches zweisprachiges Dialog-Sprachmodell
Eine C#/.NET-Bibliothek zum effizienten Ausführen von LLMs (🦙LLaMA/LLaVA) auf Ihrem lokalen Gerät.
Open-Source-KI-Assistenten-Ökosystem mit MCP-Integrationen, multimodalen Workflows, IoT-Unterstützung und plattformübergreifender Sprachinteraktion.
【EMNLP 2024🔥】Video-LLaVA: Erlernen einer vereinigten visuellen Darstellung durch Ausrichtung vor der Projektion
Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche. Eine Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche.
[NeurIPS 2023] MotionGPT: menschliche Bewegung als Fremdsprache, ein vereinheitlichtes Bewegungs-Sprachgenerierungsmodell mit LLMs
Eine robuste All-in-One-GPT-Schnittstelle für Discord. Gespräche im ChatGPT-Stil, Bilderzeugung, KI-Moderation, benutzerdefinierte Indizes/Wissensdatenbanken, YouTube-Zusammenfasser und mehr!
Pytorch-Implementierung von Transfusion, „Vorhersage des nächsten Tokens und Diffusion von Bildern mit einem multimodalen Modell“ von MetaAI
Daten-Engineering für große Modelle: Architektur, Algorithmen und Projektpraxis
[pip install medmnist] 18 standardisierte Datensätze für die 2D- und 3D-Klassifizierung biomedizinischer Bilder
Dieses Repository sammelt Arbeiten für "Eine Übersicht über Knowledge Distillation von Large Language Models". Wir zerlegen KD in Wissensextraktion und Destillationsalgorithmen und erforschen Skill & Vertical Distillation von LLMs.
FarmVibes.AI: Multi-modale GeoSpace ML-Modelle für Landwirtschaft und Nachhaltigkeit
【ICLR 2024🔥】 Erweitern des Video-Sprache-Vortrainings auf N-Modalitäten durch sprachbasierte semantische Ausrichtung
Verwenden Sie Late-Interaction-Multimodale-Modelle wie ColPali in nur wenigen Codezeilen.
[CVPR 2026🔥] 🧑🎨 OmniLottie, ein Open‑Source-Generator für multimodale Vektoranimationen, der Lottie‑JSONs erzeugt.
Multimodale OCR-Pipeline optimiert für ML-Training (Text, Abbildung, Mathematik, Tabellen, Diagramme)
[ICCV 2025 & ICCV 2025 RIWM Outstanding Paper Award] Aether: Geometrie-bewusste einheitliche Weltmodellierung
Multi-Modell-DAG-gesteuerte parallele KI-Filmerzeugung — parallele Beschleunigung skaliert mit Szenenunabhängigkeit; Film-Szenen gleichzeitig statt nacheinander erzeugen; "Den Ausführungsgraphen der Audiovisuellen Generierung von topologischer Reihenfolge in optimale kritische Pfad-Planung umwandeln"; Der einzige Audiovisuelle Generierungs-Engine, der Szenen-Narrativ-Abhängigkeiten als DAG modelliert und mit CPM-Algorithmus parallele Planung antreibt
Demokratisierung von RT-2 „RT-2: Neues Modell übersetzt Vision und Sprache in Aktion“
🌐 Vision-Language-Action-Modelle für autonomes Fahren: Vergangenheit, Gegenwart und Zukunft
FashionCLIP ist ein CLIP-ähnliches Modell, das für den Modebereich feinabgestimmt wurde.
🔥🔥🔥[AAAI 2026 Oral] Offizielle Implementierung von Robust‑R1: Degradations‑bewusstes Denken für robuste visuelle Wahrnehmung
Häufig gestellte Fragen
Welches ist das beliebteste #multi-modal-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#multi-modal-Projekt auf GitHub ist agentscope-ai/agentscope mit 36,422 Sternen. Bauen und führen Sie Agenten aus, die Sie sehen, verstehen und denen Sie vertrauen können.
Welche Programmiersprachen werden in #multi-modal-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #multi-modal-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #multi-modal-Repositories berechnet?
Wir verfolgen 47 aktive Open-Source-Repositories, die mit #multi-modal getaggt sind (500+ Sterne), mit insgesamt 208,313 Sternen und durchschnittlich 4,432 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.