Git Stars Git Stars

#multimodal-ai Repositories

191
Gesamtzahl der Repositories
589,873
Gesamtanzahl der Sterne
3,088
Durchschnittliche Sterne/Repo

Insgesamt 191 Repositories

51
ByteDance-Seed/VeOmni

VeOmni: Skalierung des Trainings beliebiger Modalitätsmodelle mit einem modellzentrierten verteilten Rezept-Zoo

ByteDance-Seed
⭐ 2,299 Python 👤 ByteDance-Seed Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2025-03-28
52
ActiveVisionLab/Awesome-LLM-3D

Awesome-LLM-3D: eine kuratierte Liste von Multi-modalen Large Language Models in der 3D-Welt Ressourcen

ActiveVisionLab
⭐ 2,284 👤 ActiveVisionLab Organization 🕐 Aktualisiert 2026-04-16 📅 Erstellt 2023-12-15
53
Liuziyu77/Visual-RFT

Offizielles Repository von 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’

Liuziyu77
⭐ 2,283 Jupyter Notebook 👤 Liuziyu77 User 🕐 Aktualisiert 2025-10-29 📅 Erstellt 2025-02-24
54
mrgoonie/claudekit-skills

Alle mächtigen Fähigkeiten von ClaudeKit.cc!

mrgoonie
⭐ 2,244 Python 👤 mrgoonie User 🕐 Aktualisiert 2026-04-03 📅 Erstellt 2025-10-23
55
microsoft/LLaVA-Med

Large Language-and-Vision Assistant für Biomedizin, entwickelt für multimodale Fähigkeiten auf GPT-4-Niveau.

microsoft
⭐ 2,207 Python 👤 microsoft Organization 🕐 Aktualisiert 2025-06-04 📅 Erstellt 2023-05-20
56
LAION-AI/CLAP

Kontrastives Sprach-Audio-Vortraining

LAION-AI
⭐ 2,167 Python 👤 LAION-AI Organization 🕐 Aktualisiert 2025-05-15 📅 Erstellt 2022-03-06
57
km1994/LLMsNineStoryDemonTower

【LLMs Neun-Schichten-Dämonenturm】Teilen von Praxiserfahrungen und Kenntnissen zu LLMs in Bereichen wie natürliche Sprachverarbeitung (ChatGLM, Chinese-LLaMA-Alpaca, Xiaoyangtuo Vicuna, LLaMA, GPT4ALL usw.), Informationsabruf (langchain), Sprachsynthese, Spracherkennung, Multimodalität (Stable Diffusion, MiniGPT-4, VisualGLM-6B, Ziya-Visual usw.).

km1994
⭐ 2,140 👤 km1994 User 🕐 Aktualisiert 2024-03-30 📅 Erstellt 2023-05-01
58
shcherbak-ai/contextgem

Extrahieren Sie strukturierte Daten und Erkenntnisse aus Dokumenten mithilfe großer Sprachmodelle und Entscheidungsmodelle

shcherbak-ai
⭐ 2,095 Python 👤 shcherbak-ai Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2024-10-11
59
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5: Leichte OCR-VLMs schneller und besser machen

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Aktualisiert 2026-09-24 📅 Erstellt 2025-11-18
60
QwenLM/Qwen2-Audio

Das offizielle Repository des von Alibaba Cloud vorgeschlagenen Qwen2-Audio-Chat- und vortrainierten großen Audio-Sprachmodells.

QwenLM
⭐ 2,072 Python 👤 QwenLM Organization 🕐 Aktualisiert 2025-04-21 📅 Erstellt 2024-06-24
61
merveenoyan/smol-vision

Rezepte zum Verkleinern, Optimieren und Anpassen von hochmodernen Bildmodellen. 💜

merveenoyan
⭐ 2,004 Jupyter Notebook 👤 merveenoyan User 🕐 Aktualisiert 2026-08-12 📅 Erstellt 2024-03-13
62
NVIDIA-AI-Blueprints/video-search-and-summarization

Die NVIDIA AI Blueprint für Videosuche und -zusammenfassung (VSS) ist eine GPU-beschleunigte Referenzarchitektur zum Erstellen von Videoanalyse-Agenten mit Echtzeit-verifizierten Warnmeldungen, visuellen Frage-Antwort-Funktionen und automatisierten Berichten. Die VSS Blueprint verwendet visuelle Sprachmodelle (VLM) wie NVIDIA Cosmos, LLMs wie NVIDIA Nemotron, RAG und NVIDIA NIM.

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2024-10-22
63
chn-lee-yumi/MaterialSearch

Semantische Suche. Durchsuchen Sie lokale Fotos und Videos mithilfe natürlicher Sprache. KI-semantische Suche nach lokalen Inhalten. Bildersuche, Lokale Inhalte finden, Szenen anhand von Textbeschreibungen abgleichen, Videosuchfunktion für Frames, Suche nach Videos anhand von Szenenbeschreibungen.

chn-lee-yumi
⭐ 1,998 HTML 👤 chn-lee-yumi User 🕐 Aktualisiert 2026-09-21 📅 Erstellt 2023-03-16
65
kimjammer/Neuro

Eine Nachbildung von Neuro-Sama, ursprünglich in 7 Tagen erstellt.

kimjammer
⭐ 1,960 Python 👤 kimjammer User 🕐 Aktualisiert 2025-01-17 📅 Erstellt 2024-01-07
66
microsoft/Magma

[CVPR 2025] Magma: Ein grundlegendes Modell für multimodale KI-Agenten

microsoft
⭐ 1,948 Python 👤 microsoft Organization 🕐 Aktualisiert 2026-03-03 📅 Erstellt 2024-11-22
67
gpt-omni/mini-omni2

Auf dem Weg zu Open-Source GPT-4o mit Sprach-, Bild- und Duplex-Funktionen.

gpt-omni
⭐ 1,896 Python 👤 gpt-omni Organization 🕐 Aktualisiert 2025-01-16 📅 Erstellt 2024-10-14
68
ivanfioravanti/chatbot-ollama

Chatbot Ollama ist eine Open-Source-Chat-Benutzeroberfläche für Ollama.

ivanfioravanti
⭐ 1,892 TypeScript 👤 ivanfioravanti User 🕐 Aktualisiert 2025-09-05 📅 Erstellt 2023-10-01
69
RanFeng/clipsketch-ai

Verwandeln Sie Videomomente in handgezeichnete Geschichten

RanFeng
⭐ 1,883 TypeScript 👤 RanFeng User 🕐 Aktualisiert 2026-01-14 📅 Erstellt 2025-11-27
70
AutoArk/EVA-OS

EVA OS — Ein multimodales Echtzeit-AIOS für Hardware der nächsten Generation, das Ihre Geräte „lebendig“ und so intelligent wie ein echtes Gehirn macht.

AutoArk
⭐ 1,875 👤 AutoArk Organization 🕐 Aktualisiert 2026-08-03 📅 Erstellt 2025-11-26
71
Audio-AGI/AudioSep

Offizielle Implementierung von „Anything You Describe trennen“

Audio-AGI
⭐ 1,857 Python 👤 Audio-AGI Organization 🕐 Aktualisiert 2024-11-26 📅 Erstellt 2023-08-08
72
facebookresearch/MetaCLIP

NeurIPS 2025 Spotlight; ICLR2024 Spotlight; CVPR 2024; EMNLP 2024

facebookresearch
⭐ 1,856 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-08-11 📅 Erstellt 2023-09-28
73
Core-Mate/OpenGUI

OpenGUI ist ein Android-GUI-Agenten-Framework für KI auf Mobiltelefonen, das echte mobile Apps über die grafische Benutzeroberfläche sehen, planen und bedienen kann.

Core-Mate
⭐ 1,814 HTML 👤 Core-Mate Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2026-04-18
74
apple-aiml-research/ml-4m

4M: Massiv multimodales maskiertes Modellieren

apple-aiml-research
⭐ 1,814 Python 👤 apple-aiml-research Organization 🕐 Aktualisiert 2026-09-11 📅 Erstellt 2024-04-08
76
kijai/ComfyUI-Florence2

Inferenz Microsoft Florence2 VLM

kijai
⭐ 1,764 Python 👤 kijai User 🕐 Aktualisiert 2026-05-06 📅 Erstellt 2024-06-19
77
facebookresearch/multimodal

TorchMultimodal ist eine PyTorch-Bibliothek zum Trainieren von hochmodernen multimodalen Multi-Task-Modellen in großem Maßstab.

facebookresearch
⭐ 1,747 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2022-01-27
79
JiuhaiChen/BLIP3o

Offizielle Implementierung der BLIP3o-Serie

JiuhaiChen
⭐ 1,667 Python 👤 JiuhaiChen User 🕐 Aktualisiert 2025-11-29 📅 Erstellt 2025-04-23
80
waybarrios/vllm-mlx

Hochleistungs-LLM-Inferenzserver, kompatibel mit OpenAI und Anthropic, für Apple Silicon. Natives MLX, kontinuierliches Batching, multimodale Modelle, MCP-Toolaufrufe und Claude-Code-Unterstützung.

waybarrios
⭐ 1,657 Python 👤 waybarrios User 🕐 Aktualisiert 2026-11-07 📅 Erstellt 2025-12-06
82
baaivision/Emu3.5

Native multimodale Modelle sind Weltlerner

baaivision
⭐ 1,567 Python 👤 baaivision Organization 🕐 Aktualisiert 2025-12-30 📅 Erstellt 2025-10-29
83
microsoft/SoM

[arXiv 2023] Set-of-Mark Prompting für GPT-4V und LMMs

microsoft
⭐ 1,499 Python 👤 microsoft Organization 🕐 Aktualisiert 2024-08-19 📅 Erstellt 2023-10-16
84
Nutlope/napkins

napkins.dev – von Screenshot zu App

Nutlope
⭐ 1,484 TypeScript 👤 Nutlope User 🕐 Aktualisiert 2026-10-23 📅 Erstellt 2024-09-18
86
zstar1003/ragflow-plus

Ragflow-Plus ist eine weiterentwickelte Version von Ragflow, die sie prägnanter und praktischer macht

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2025-03-24
87
0nutation/SpeechGPT

SpeechGPT-Serie: Große Sprachmodelle für Sprache

0nutation
⭐ 1,397 Python 👤 0nutation User 🕐 Aktualisiert 2024-07-22 📅 Erstellt 2023-05-16
88
IDEA-Research/awesome-detection-transformer

Sammle einige Arbeiten über Transformer für Detektion und Segmentierung. Awesome Detection Transformer für Computer Vision (CV)

IDEA-Research
⭐ 1,392 👤 IDEA-Research Organization 🕐 Aktualisiert 2024-07-04 📅 Erstellt 2022-03-09
89
gokayfem/awesome-vlm-architectures

Kuratierter visueller Katalog mit über 200 Architekturen von Vision-Language-Modellen (VLM/MLLM): Fachartikel, Diagramme, Trainingsrezepte, Datensätze und ein Veröffentlichungszeitplan für multimodale KI-Agenten.

gokayfem
⭐ 1,368 Markdown 👤 gokayfem User 🕐 Aktualisiert 2026-10-27 📅 Erstellt 2024-02-15
90
poe-platform/server-bot-quick-start

Anleitung für Poe-Server-Bots

poe-platform
⭐ 1,347 Python 👤 poe-platform Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2023-05-10
91
gavrielc/Nano-PDF

PDF-Dateien mit Nano Banana bearbeiten

gavrielc
⭐ 1,331 Python 👤 gavrielc User 🕐 Aktualisiert 2025-12-03 📅 Erstellt 2025-11-28
92
ConardLi/easy-llm-cli

Ein Open-Source-KI-Agent, der mit mehreren LLM-Modellen kompatibel ist

ConardLi
⭐ 1,319 TypeScript 👤 ConardLi User 🕐 Aktualisiert 2026-02-05 📅 Erstellt 2025-07-11
93
Meituan-AutoML/MobileVLM

Starker und offener Vision-Sprachassistent für mobile Geräte

Meituan-AutoML
⭐ 1,317 Python 👤 Meituan-AutoML Organization 🕐 Aktualisiert 2024-04-15 📅 Erstellt 2023-12-29
94
hemingkx/SpeculativeDecodingPapers

📰 Lesenswertes: Publikationen und Blogs zu Speculative Decoding ⚡️

hemingkx
⭐ 1,309 👤 hemingkx User 🕐 Aktualisiert 2026-06-27 📅 Erstellt 2023-09-20
95
JMAN730/opendroid

Ihr offener autonomer Android-Agent — ein produktionsreifer, selbstplanender KI-Assistent, angetrieben von lokalen/entfernten LLMs und barrierefreiheitsgesteuerter Bildschirmautomatisierung.

JMAN730
⭐ 1,300 Kotlin 👤 JMAN730 User 🕐 Aktualisiert 2026-11-10 📅 Erstellt 2026-05-21
96
opendatalab/LabelLLM

Die Open-Source-Plattform für Datenannotation

opendatalab
⭐ 1,298 TypeScript 👤 opendatalab Organization 🕐 Aktualisiert 2026-07-02 📅 Erstellt 2024-05-07
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 Aktualisiert 2025-11-20 📅 Erstellt 2025-03-15
98
aiming-lab/Agent0

[ICML'26 & COLM'26] Agent0-Serie: Selbstentwickelnde Agenten aus Null-Daten

aiming-lab
⭐ 1,292 Python 👤 aiming-lab Organization 🕐 Aktualisiert 2026-07-10 📅 Erstellt 2025-10-20
99
OpenTSLM/OpenTSLM

OpenTSLM: Zeitreihen-Sprachmodelle für die Schlussfolgerung über multivariate medizinische Text- und Zeitreihendaten

OpenTSLM
⭐ 1,273 Python 👤 OpenTSLM Organization 🕐 Aktualisiert 2026-07-21 📅 Erstellt 2025-05-14
100
VILA-Lab/Awesome-DLMs

Das offizielle GitHub-Repository für den Übersichtsartikel „A Survey on Diffusion Language Models“.

VILA-Lab
⭐ 1,252 👤 VILA-Lab Organization 🕐 Aktualisiert 2026-10-02 📅 Erstellt 2025-07-14