#multimodal-ai Repositories
Entdecke 191 aktive Open-Source-GitHub-Repositories, die mit #multimodal-ai getaggt sind und insgesamt 589,873 Sterne gesammelt haben (durchschnittlich 3,088 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist anthropics/claude-cookbooks mit 54,935 Sternen.
Insgesamt 191 Repositories
Eine Sammlung von Notizbüchern/Rezepten, die einige unterhaltsame und effektive Möglichkeiten zur Nutzung von Claude zeigen.
Open-Source-Desktop-App für lokale LLMs. Text, Vision, Tool-Calling, OpenAI/Anthropic-kompatible API. 100 % privat.
Eine Galerie, die On-Device-ML/GenAI-Anwendungsfälle präsentiert und es den Benutzern ermöglicht, Modelle lokal auszuprobieren und zu verwenden.
Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
🚀 Wirklich Open-Source KI-Avatar (digitale mensch)-Toolkit für Offline-Videogenerierung und digitale Menschenklonung.
Grundlagenmodelle für hochmoderne Sprach- und Textübersetzung
Ein umfassendes Toolkit für die hochwertige Extraktion von PDF-Inhalten
Qwen-Image ist ein leistungsstarkes Basismodell zur Bildgenerierung, das komplexe Textdarstellung und präzise Bildbearbeitung ermöglicht.
Large World Model -- Modellierung von Text und Video mit Millionen von Kontexten
Der Bild-Prompt-Adapter ist so konzipiert, dass er ein vortrainiertes Text-zu-Bild-Diffusionsmodell in die Lage versetzt, Bilder mit einem Bild-Prompt zu generieren.
Offizielles Agnes AI-Gateway und Modellkatalog für OpenAI-kompatible Text-, Bild-, Video- und Agenten-Workflows.
DeepSeek-VL2: Mixture-of-Experts Vision-Language Models für fortschrittliches multimodales Verständnis
Hunyuan-DiT: Ein leistungsstarker Multi-Resolution Diffusion Transformer mit feingranularem Chinesischverständnis
OmniGen2: Erforschung zur Fortgeschrittenen Multimodalen Generierung. https://arxiv.org/abs/2506.18871
Das Google Gen AI Python SDK bietet Entwicklern eine Schnittstelle, um Googles generative Modelle in ihre Python-Anwendungen zu integrieren.
Qwen2.5-Omni ist ein End-to-End-multimodales Modell des Qwen-Teams von Alibaba Cloud, das Text, Audio, Bilder, Videos verstehen und Echtzeit-Spracherzeugung durchführen kann.
Offizielle Implementierung für „Multimodal Chain-of-Thought Reasoning in Language Models“ (bleiben Sie dran, weitere Updates folgen)
Nano Banana (nanobanana), GPT-5 (GPT5), GPT-4o (GPT4o) Bild-Prompts, Nanobanana Prompts, nanobanana-Eingabeaufforderungen
FlagAI (Fast LArge-scale General AI models) ist ein schnelles, einfach zu bedienendes und erweiterbares Toolkit für große KI-Modelle.
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.
Meine Sammlung kreativer Nano-Banane-Gameplay-Ideen! Wird ständig aktualisiert!
Digital Avatar Konversationssystem - Linly-Talker. 😄✨ Linly-Talker ist ein intelligentes KI-System, das große Sprachmodelle (LLMs) mit visuellen Modellen kombiniert, um eine neuartige Methode der Mensch-KI-Interaktion zu schaffen. 🤝🤖 Es integriert verschiedene Technologien wie Whisper, Linly, Microsoft Speech Services und das SadTalker Talking Head-Generierungssystem. 🌟🔬
🔥🔥🔥 [IEEE TCSVT] Neueste Arbeiten, Codes und Datensätze zu Vid-LLMs.
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.
Mano-P: Open-Source-GUI-VLA-Agent für Edge-Geräte. Platz 1 auf OSWorld (spezialisiert, 58,2 %). Läuft lokal auf Apple M4 Mac mini/MacBook — keine Daten verlassen Ihr Gerät. Mano-P ist ein Open-Source-GUI-VLA-Projekt, das lokale Inferenz auf Mac mini/MacBook oder über Compute-Stick unterstützt und rein visuell gesteuerte plattformübergreifende GUI-Automatisierungsoperationen ermöglicht. Daten werden vollständig lokal verarbeitet und unterstützen die Planung und Ausführung komplexer mehrstufiger Aufgaben.
[NeurIPS 2025] OmniSVG ist die erste Familie von End-to-End multimodalen SVG-Generatoren, die vortrainierte Vision-Language Models (VLMs) nutzen und komplexe und detaillierte SVGs generieren können, von einfachen Symbolen bis hin zu aufwendigen Anime-Charakteren.
Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!
Häufig gestellte Fragen
Welches ist das beliebteste #multimodal-ai-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#multimodal-ai-Projekt auf GitHub ist anthropics/claude-cookbooks mit 54,935 Sternen. Eine Sammlung von Notizbüchern/Rezepten, die einige unterhaltsame und effektive Möglichkeiten zur Nutzung von Claude zeigen.
Welche Programmiersprachen werden in #multimodal-ai-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #multimodal-ai-Projekten auf GitHub sind Python, Jupyter Notebook, JavaScript, Kotlin die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #multimodal-ai-Repositories berechnet?
Wir verfolgen 191 aktive Open-Source-Repositories, die mit #multimodal-ai getaggt sind (500+ Sterne), mit insgesamt 589,873 Sternen und durchschnittlich 3,088 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.