#multimodal Repositories
Entdecke 183 aktive Open-Source-GitHub-Repositories, die mit #multimodal getaggt sind und insgesamt 700,629 Sterne gesammelt haben (durchschnittlich 3,828 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist Mintplex-Labs/anything-llm mit 68,480 Sternen.
Insgesamt 183 Repositories
Hören Sie auf, Ihre Intelligenz zu mieten. Besitzen Sie sie mit AnythingLLM. Alles, was Sie für eine leistungsstarke lokale Agentenerfahrung brauchen
„Deep Understanding of AI Agents: Design Principles and Engineering Practice“ (von Bojie Li) Open-Source-Haupt-Repository: Vollständiger Text, kompilierte PDF und kapitelweise Begleitcodes.
Der Open-Source Multimodal AI Agent Stack: Verbindung von Spitzen-KI-Modellen und Agenten-Infrastruktur
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) wurde für Fähigkeiten auf GPT-4V-Niveau und darüber hinaus entwickelt.
YC (S26) | Screenpipe findet Arbeit, die sich zu automatisieren lohnt | Zeichne deine Computerarbeit kontinuierlich lokal auf, entdecke wiederkehrende Arbeitsabläufe und übergib das Ergebnis an einen beliebigen Agenten, den du bereits nutzt.
Großflächiges selbstüberwachtes Pre-Training über Aufgaben, Sprachen und Modalitäten
Verwenden Sie PEFT oder ein Training mit vollständigen Parametern für CPT/SFT/DPO/GRPO auf über 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) und über 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
🔍Praktische Entwicklung von Großmodell-Anwendungen Teil 1: Umfassender Leitfaden für die RAG-Technologie, Online-Leseadresse: https://datawhalechina.github.io/all-in-rag/
Visualisieren, abfragen und streamen Sie, um mit multimodalen Robotikdaten zu trainieren.
https://arxiv.org/abs/2606.28344. Das Ende des Web-Parsings. Der Beginn der skalierbaren Pixel-nativen Suche. Link: https://pixelrag.ai/
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.
SeaTunnel ist ein multimodales, hochperformantes, verteiltes Tool zur Integration massiver Datenmengen.
Deeplake ist eine AI Data Runtime für Agents. Sie bietet serverlosen Postgres mit einem multimodalen Datalake, der skalierbare Retrieval- und Training-Funktionen ermöglicht.
Der einfachste Weg, AI-Apps und -Modelle zu hosten - Erstellen Sie Model Inference APIs, Job-Warteschlangen, LLM-Apps, Multi-Model-Pipelines und mehr!
Eine Text-to-Speech (TTS), Speech-to-Text (STT) und Speech-to-Speech (STS) Bibliothek, die auf Apples MLX-Framework basiert und eine effiziente Sprachanalyse auf Apple Silicon ermöglicht.
Open-Source-Framework zum Erstellen von Agenten-Apps in JavaScript, Go, Dart und Python, von Google entwickelt und in Produktion eingesetzt
Durchsuche deinen Computer nach dem Inhalt deiner Dateien: Fotos, PDFs, Dokumente, Aufnahmen, Videos und Code. Läuft lokal auf Mac, Windows und Linux und basiert auf EmbeddingGemma 2 von Google DeepMind.
Notizen für Softwareentwickler, die sich über neue KI-Entwicklungen auf dem Laufenden halten. Dient als Datenspeicher für Schreibmaterialien und Produkt-Brainstorming auf https://latent.space, hat aber bereinigte, kanonische Referenzen im Ordner /Resources.
Dieses Repository ist eine kuratierte Sammlung von Links zu verschiedenen Kursen und Ressourcen über Künstliche Intelligenz (KI)
Hochleistungs-Daten-Engine für KI und multimodale Workloads. Verarbeiten Sie Bilder, Audio, Video und strukturierte Daten in beliebigem Umfang.
Ein visueller Spielplatz für Agenten-Workflows: Iterieren Sie 10x schneller über Ihre Agenten
Ein modulares Framework für Vision- und Sprach-Multimodal-Forschung von Facebook AI Research (FAIR)
Eine Trainings-Engine der nächsten Generation, gebaut für ultra-große MoE-Modelle
Das erste Vision-Plugin für DeepSeek Harness und die Vision-Brücke für jeden textbasierten Codierungsagenten. Fügen Sie ein Bild ein, erhalten Sie strukturierte JSON-Beweise (OCR, Layout, Semantik).
Plug and Play Implementierung des "Tree of Thoughts": Bewusste Problemlösung mit großen Sprachmodellen, die die Modellreasoning um mindestens 70 % verbessert
One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben
Wandeln Sie problemlos große Mengen von Bild-URLs in einen Bilddatensatz um. Kann 100 Millionen URLs in 20 Stunden auf einer Maschine herunterladen, skalieren und verpacken.
Kuratiertes Tutorial und Ressourcen für Large Language Models, KI-Malerei und mehr.
Eine Open-Source-Modellfamilie für Langform-Sprachsynthese, Dialogsynthese, Sprachdesign, Soundeffekte und Echtzeit-Streaming-TTS
Fengshenbang-LM (封神榜大模型) ist ein quelloffenes großes Modellsystem, das vom Forschungszentrum für kognitive Berechnungen und natürliche Sprachverarbeitung des IDEA-Instituts geleitet wird und die Grundlage für chinesisches AIGC und kognitive Intelligenz bildet.
[ICML'26] SimpleMem: Effizientes lebenslanges Gedächtnis für LLM-Agenten – Text und multimodal
Code und Modelle für die ICML 2024-Arbeit, NExT-GPT: Any-to-Any Multimodales großes Sprachmodell
MTEB: Modernste Bewertung von Embeddings über Sprachen und Modalitäten hinweg
🤖 Typsicheres, provider-unabhängiges TypeScript AI SDK für Streaming-Chat, Tool-Calling, Agenten und multimodale Apps über OpenAI, Anthropic, Gemini, React, Vue, Svelte und Solid.
Ein erweiterbares, hochmodernes Framework für Spaltenkompression und das schnellste FOSS-Spaltenformat. Früher bei @spiraldb, jetzt ein Incubation-Stage-Projekt bei LFAI&Data, Teil der Linux Foundation.
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
InternGPT (iGPT) ist eine Open-Source-Demo-Plattform, auf der Sie Ihre KI-Modelle einfach präsentieren können. Jetzt unterstützt es DragGAN, ChatGPT, ImageBind, multimodale Chats wie GPT-4, SAM, interaktive Bildbearbeitung usw. Probieren Sie es unter igpt.opengvlab.com aus (Online-Demo-System, das DragGAN, ChatGPT, ImageBind, SAM unterstützt).
Häufig gestellte Fragen
Welches ist das beliebteste #multimodal-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#multimodal-Projekt auf GitHub ist Mintplex-Labs/anything-llm mit 68,480 Sternen. Hören Sie auf, Ihre Intelligenz zu mieten. Besitzen Sie sie mit AnythingLLM. Alles, was Sie für eine leistungsstarke lokale Agentenerfahrung brauchen
Welche Programmiersprachen werden in #multimodal-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #multimodal-Projekten auf GitHub sind Python, TypeScript, Rust, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #multimodal-Repositories berechnet?
Wir verfolgen 183 aktive Open-Source-Repositories, die mit #multimodal getaggt sind (500+ Sterne), mit insgesamt 700,629 Sternen und durchschnittlich 3,828 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.