Git Stars Git Stars

#multimodal Repositories

183
Gesamtzahl der Repositories
700,629
Gesamtanzahl der Sterne
3,828
Durchschnittliche Sterne/Repo

Insgesamt 183 Repositories

51
docarray/docarray

Multimodale Daten darstellen, senden, speichern und durchsuchen

docarray
⭐ 3,123 Python 👤 docarray Organization 🕐 Aktualisiert 2026-03-27 📅 Erstellt 2021-12-14
52
InternLM/InternLM-XComposer

InternLM-XComposer2.5-OmniLive: Ein umfassendes multimodales System für langfristige Streaming-Video- und Audiointeraktionen

InternLM
⭐ 2,925 Python 👤 InternLM Organization 🕐 Aktualisiert 2025-05-26 📅 Erstellt 2023-09-26
53
datachain-ai/datachain

Die Kontextschicht für unstrukturierte Daten: typisierte, versionierte Datensätze über S3, GCS, Azure

datachain-ai
⭐ 2,831 Python 👤 datachain-ai Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2024-06-25
54
autodistill/autodistill

Bilder zur Inferenz ohne Beschriftung (verwenden Sie Basismodelle, um beaufsichtigte Modelle zu trainieren).

autodistill
⭐ 2,802 Python 👤 autodistill Organization 🕐 Aktualisiert 2026-09-29 📅 Erstellt 2023-06-06
55
rom1504/clip-retrieval

Einfache Berechnung von Clip-Embeddings und Aufbau eines Clip-Retrieval-Systems damit

rom1504
⭐ 2,799 Jupyter Notebook 👤 rom1504 User 🕐 Aktualisiert 2026-03-28 📅 Erstellt 2021-06-07
56
roboflow/maestro

Optimierung des Fine-Tuning-Prozesses für multimodale Modelle: PaliGemma 2, Florence-2 und Qwen2.5-VL

roboflow
⭐ 2,696 Python 👤 roboflow Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2023-11-24
57
genieincodebottle/generative-ai

Umfassende Ressourcen zu Generative AI, einschließlich einer detaillierten Roadmap, Projekten, Anwendungsfällen, Vorbereitung auf Vorstellungsgespräche und Codierungsvorbereitung.

genieincodebottle
⭐ 2,675 Jupyter Notebook 👤 genieincodebottle User 🕐 Aktualisiert 2026-11-09 📅 Erstellt 2024-01-09
58
om-ai-lab/OmAgent

[EMNLP-2024] Multimodale Sprachagenten für schnelle Prototypenentwicklung und Produktion erstellen

om-ai-lab
⭐ 2,670 Python 👤 om-ai-lab Organization 🕐 Aktualisiert 2026-10-16 📅 Erstellt 2024-07-04
59
OFA-Sys/OFA

Offizielle Repository von OFA (ICML 2022). Paper: OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

OFA-Sys
⭐ 2,550 Python 👤 OFA-Sys Organization 🕐 Aktualisiert 2024-04-24 📅 Erstellt 2022-01-29
60
X-PLUG/mPLUG-Owl

mPLUG-Owl: Die leistungsstarke Familie von Multi-modal Large Language Models

X-PLUG
⭐ 2,541 Python 👤 X-PLUG Organization 🕐 Aktualisiert 2025-04-02 📅 Erstellt 2023-04-25
61
InternLM/HuixiangDou

HuixiangDou: Bewältigung von Gruppenchat-Szenarien mit LLM-basierter technischer Unterstützung

InternLM
⭐ 2,500 Python 👤 InternLM Organization 🕐 Aktualisiert 2025-11-24 📅 Erstellt 2023-12-28
62
AI-Efficiency/Awesome-Model-Quantization

Eine kuratierte Sammlung von Fachartikeln, Benchmarks, Übersichtsarbeiten und Tools zur Modellquantisierung, die Low-Bit-Netzwerke, LLMs, multimodale und generative Modelle, Vektor- und Gitterquantisierung sowie eine effiziente Bereitstellung abdeckt.

AI-Efficiency
⭐ 2,471 👤 AI-Efficiency Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2018-10-18
63
Yutong-Zhou-cv/Awesome-Text-to-Image

(ෆ`꒳´ෆ) Eine Übersicht über Text-zu-Bild-Generierung/Synthese.

Yutong-Zhou-cv
⭐ 2,444 👤 Yutong-Zhou-cv User 🕐 Aktualisiert 2026-11-03 📅 Erstellt 2020-10-13
64
Stability-AI/stability-sdk

SDK für die Interaktion mit stability.ai APIs (z. B. Stable Diffusion Inference)

Stability-AI
⭐ 2,436 Jupyter Notebook 👤 Stability-AI Organization 🕐 Aktualisiert 2026-05-14 📅 Erstellt 2022-08-22
65
Turbo1123/roubao

Roubao 2.0 für iPhone: ein quelloffener iOS-KI-Agent mit vom Besitzer autorisierter Micro-X-Benutzeroberflächensteuerung, benutzerdefinierten Modellen, fortsetzbaren Aufgaben und PDF-Berichten. Zur Laufzeit sind weder WLAN noch Jailbreak, Computer oder zusätzliche Hardware erforderlich (für die Einrichtung wird ein Mac mit USB benötigt). Die ältere Android-Version bleibt erhalten.

Turbo1123
⭐ 2,422 Swift 👤 Turbo1123 User 🕐 Aktualisiert 2026-11-09 📅 Erstellt 2025-12-09
66
OpenGVLab/InternVideo

[ECCV2024] Videogrundlagenmodelle & Daten für multimodales Verständnis

OpenGVLab
⭐ 2,421 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2026-07-02 📅 Erstellt 2022-11-23
67
NVIDIA-NeMo/DataDesigner

🎨 NeMo Data Designer: Generieren Sie hochwertige synthetische Daten von Grund auf oder aus Seed-Daten.

NVIDIA-NeMo
⭐ 2,419 Python 👤 NVIDIA-NeMo Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2025-10-16
68
X-PLUG/mPLUG-DocOwl

mPLUG-DocOwl: Modularisiertes multimodales großes Sprachmodell für das Dokumentenverständnis

X-PLUG
⭐ 2,407 Python 👤 X-PLUG Organization 🕐 Aktualisiert 2025-05-30 📅 Erstellt 2023-07-04
69
HUANGCHIHHUNGLeo/claude-real-video

Lassen Sie Claude (oder ein beliebiges LLM) tatsächlich ein Video ansehen — szenenbewusste, deduplizierte Frames + Transkript, von einer URL oder lokalen Datei. Läuft lokal, MIT.

HUANGCHIHHUNGLeo
⭐ 2,329 Python 👤 HUANGCHIHHUNGLeo User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2026-06-30
70
google-gemini/genai-processors

GenAI Prozessoren ist eine leichtgewichtige Python-Bibliothek, die eine effiziente, parallele Inhaltsverarbeitung ermöglicht.

google-gemini
⭐ 2,125 Python 👤 google-gemini Organization 🕐 Aktualisiert 2026-11-10 📅 Erstellt 2025-04-29
71
fikrikarim/parlor

Geräteinterne Echtzeit-Multimodal-KI mit Funktionen ähnlich wie GPT-Live

fikrikarim
⭐ 2,117 Python 👤 fikrikarim User 🕐 Aktualisiert 2026-08-03 📅 Erstellt 2026-04-05
72
showlab/Show-o

[ICLR & NeurIPS 2025] Repository für die Show-o-Serie, ein einziger Transformer zur Vereinheitlichung des multimodalen Verständnisses und der Generierung.

showlab
⭐ 1,988 Python 👤 showlab Organization 🕐 Aktualisiert 2026-01-08 📅 Erstellt 2024-08-09
73
2U1/Qwen-VL-Series-Finetune

Eine Open-Source-Implementierung für das Fine-Tuning der Qwen-VL-Serie von Alibaba Cloud.

2U1
⭐ 1,983 Python 👤 2U1 User 🕐 Aktualisiert 2026-09-09 📅 Erstellt 2024-09-10
74
kyegomez/BitNet

Implementierung von "BitNet: Skalierung von 1-Bit-Transformatoren für große Sprachmodelle" in PyTorch

kyegomez
⭐ 1,949 Python 👤 kyegomez User 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2023-10-18
75
sgl-project/sglang-omni

Hochleistungs-Laufzeitumgebung für interaktive Superintelligenzsysteme

sgl-project
⭐ 1,882 Python 👤 sgl-project Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-01-07
76
AlibabaResearch/AdvancedLiterateMachinery

Eine Sammlung origineller, innovativer Ideen und Algorithmen für fortgeschrittene literarische Maschinen. Dieses Projekt wird vom OCR-Team im Language Technology Lab des Tongyi Lab der Alibaba Group betreut.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Aktualisiert 2026-03-17 📅 Erstellt 2022-09-28
77
potamides/DeTikZify

Synthetisieren von Grafikprogrammen für wissenschaftliche Abbildungen und Skizzen mit TikZ.

potamides
⭐ 1,831 Python 👤 potamides User 🕐 Aktualisiert 2026-09-17 📅 Erstellt 2023-11-27
78
Tencent/WeMM-Embedding

WeMM-Embedding ist eine Familie universeller multimodaler Embedding-Modelle des WeChat Vision Teams bei Tencent, die multimodales Verstehen und Retrieval unterstützt.

Tencent
⭐ 1,824 Python 👤 Tencent Organization 🕐 Aktualisiert 2026-10-29 📅 Erstellt 2026-08-25
79
alan-ai/alan-sdk-android

Das Self-Coding-System für Ihre App — Alan AI SDK für Android

alan-ai
⭐ 1,815 👤 alan-ai Organization 🕐 Aktualisiert 2025-04-22 📅 Erstellt 2019-10-01
⭐ 1,795 Python 👤 microsoft Organization 🕐 Aktualisiert 2026-11-02 📅 Erstellt 2026-06-15
81
alan-ai/alan-sdk-flutter

Das Selbstkodierungssystem für Ihre App — Alan AI SDK für Flutter

alan-ai
⭐ 1,768 Ruby 👤 alan-ai Organization 🕐 Aktualisiert 2025-04-22 📅 Erstellt 2020-04-22
82
pixeltable/pixeltable

Die Backend-Agenten werden erstellt mit: multimodaler Datenbank, Orchestrierung und Bereitstellung in einer Datei

pixeltable
⭐ 1,664 Python 👤 pixeltable Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2023-05-10
83
alan-ai/alan-sdk-ionic

Das selbstcodierende System für Ihre App — Alan AI SDK für Ionic

alan-ai
⭐ 1,661 TypeScript 👤 alan-ai Organization 🕐 Aktualisiert 2025-04-22 📅 Erstellt 2020-04-24
84
UbiquitousLearning/mllm

Schnelle multimodale LLMs auf Mobilgeräten

UbiquitousLearning
⭐ 1,643 C++ 👤 UbiquitousLearning User 🕐 Aktualisiert 2026-09-30 📅 Erstellt 2023-08-30
85
verl-project/verl-omni

Multimodales RL-Trainingsframework für Diffusions- und Omni-Modelle

verl-project
⭐ 1,560 Python 👤 verl-project Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-04-21
86
ATH-MaaS/Ovis

Eine neuartige multimodale Large Language Model (MLLM)-Architektur, die entwickelt wurde, um visuelle und textuelle Einbettungen strukturell abzugleichen.

ATH-MaaS
⭐ 1,536 Python 👤 ATH-MaaS Organization 🕐 Aktualisiert 2026-07-15 📅 Erstellt 2024-06-13
87
valentinfrlch/ha-llmvision

Visuelle Intelligenz für Ihr Zuhause.

valentinfrlch
⭐ 1,535 Python 👤 valentinfrlch User 🕐 Aktualisiert 2026-11-12 📅 Erstellt 2024-05-14
88
emcf/thepipe

Holen Sie sich saubere Daten aus kniffligen Dokumenten, angetrieben von Vision-Language-Modellen ⚡

emcf
⭐ 1,529 Python 👤 emcf User 🕐 Aktualisiert 2026-09-28 📅 Erstellt 2024-03-22
89
jordanrendric/claude-video-vision

Geben Sie Claude die Fähigkeit, Videos zu sehen und zu verstehen — Claude Code‑Plugin mit Frame‑Extraktion und multimodaler Audioanalyse

jordanrendric
⭐ 1,523 TypeScript 👤 jordanrendric User 🕐 Aktualisiert 2026-10-14 📅 Erstellt 2026-03-31
90
llm-jp/awesome-japanese-llm

Zusammenfassung japanischer LLMs - Überblick über japanische LLMs

llm-jp
⭐ 1,446 TypeScript 👤 llm-jp Organization 🕐 Aktualisiert 2026-11-09 📅 Erstellt 2023-07-09
91
xtreme1-io/xtreme1

Xtreme1 ist eine All-in-One-Plattform für Datenkennzeichnung und -annotation für das Training multimodaler Daten und unterstützt 3D-LiDAR-Punktwolken, Bilder und LLMs.

xtreme1-io
⭐ 1,395 TypeScript 👤 xtreme1-io Organization 🕐 Aktualisiert 2026-09-29 📅 Erstellt 2022-08-08
92
dailenson/SDT

Dieses Repository ist die offizielle Implementierung von Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)

dailenson
⭐ 1,393 Python 👤 dailenson User 🕐 Aktualisiert 2025-06-26 📅 Erstellt 2023-03-22
93
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
94
Capsize-Games/airunner

Offline-Inferenz-Engine für Kunst, Echtzeit-Sprachgespräche, LLM-gestützte Chatbots und automatisierte Workflows

Capsize-Games
⭐ 1,317 Python 👤 Capsize-Games Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2023-03-21
95
ysr666/dsh-vision-router

Sehen für reine Textagenten von DeepSeek Harness: integrierte kostenlose Bildverarbeitungskette (ohne Schlüssel) + pixelgenaue Vision-Tools (Fragen und Antworten, Grounding, Zuschneiden, Pixeldifferenz, Farben, OCR, SVG-Nachzeichnen, Freistellen, Screenshots). Installation mit einem einzigen Befehl, ohne Python; Bildrunden funktionieren wie gewöhnliche Tool-Aufruf-Runden.

ysr666
⭐ 1,294 JavaScript 👤 ysr666 User 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-08-13
96
Anionex/agent-vision-toolkit

Entwerfen Sie ein besseres visuelles Toolkit und Fähigkeiten für reine Textmodelle, um Bilder zu „sehen“, mit Unterstützung für Multi-Bild-Verständnis, Bildfragen, Frontend-UI-Wiederherstellung, GUI-Automatisierung usw., und optional nahtlose Integration mit mehreren gängigen Agenten sowie direkte Erkennung eingefügter Bilder | Ein visuelles Toolkit und Fähigkeiten, die für reine Text-LLMs entwickelt wurden: Bildfragen, OCR für lange Screenshots, Frontend-UI-Wiederherstellung und GUI-Automatisierung, mit optionaler nahtloser Integration für Codex, Claude Code, Pi, Oh My Pi und OpenCode

Anionex
⭐ 1,267 Python 👤 Anionex User 🕐 Aktualisiert 2026-10-13 📅 Erstellt 2026-08-01
97
unum-cloud/UForm

Verteiltes Training und Inferenz für multimodale Wahrnehmung: gemeinsame Embeddings für Text, Bilder, Video, Audio, Code und Graphen mit 64 bis 1.024 Dimensionen 🖼️

unum-cloud
⭐ 1,253 Cuda 👤 unum-cloud Organization 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2023-02-21
98
Zen4-bit/Proxima

Multi-AI MCP-Server - Verbinden Sie ChatGPT, Claude, Gemini und Perplexity mit Ihren Coding-Tools ohne jegliche API

Zen4-bit
⭐ 1,220 JavaScript 👤 Zen4-bit User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2026-02-02
99
nv-tlabs/LLaMA-Mesh

Vereinheitlichung der 3D-Mesh-Generierung mit Sprachmodellen

nv-tlabs
⭐ 1,153 Python 👤 nv-tlabs Organization 🕐 Aktualisiert 2025-03-28 📅 Erstellt 2024-11-14
100
OpenMOSS/MOVA

Ein Basismodell, das synchronisierte Videos und Audiodaten in einem einzigen Modell generiert

OpenMOSS
⭐ 1,151 Python 👤 OpenMOSS Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-01-28