#vision-language-model Repositories
Entdecke 82 aktive Open-Source-GitHub-Repositories, die mit #vision-language-model getaggt sind und insgesamt 263,383 Sterne gesammelt haben (durchschnittlich 3,211 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist haotian-liu/LLaVA mit 24,232 Sternen.
Insgesamt 82 Repositories
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) wurde für Fähigkeiten auf GPT-4V-Niveau und darüber hinaus entwickelt.
Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
OCR-Modell, das komplexe Tabellen, Formulare und Handschriften mit vollständigem Layout verarbeitet.
X-AnyLabeling: Eine schlanke, effiziente und einheitliche plattformübergreifende Desktop-Anwendung zur Annotation von Texten, Bildern, Videos, Punktwolken und multimodalen Daten. Sie kombiniert vielseitige integrierte Werkzeuge mit modernsten KI-Modellen und flexiblen Exportmöglichkeiten in mehreren Formaten.
[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.
Mehrsprachige Dokumentenlayout-Analyse in einem einzigen Vision-Language-Modell
👀 Trainiere ein VLM mit 65 Millionen Parametern in nur 2 Stunden von Grund auf neu!
Offizielle Code-Implementierung der General OCR Theory: Auf dem Weg zu OCR-2.0 über ein vereinheitlichtes End-to-End-Modell
Das offizielle Repository von Qwen-VL (通义千问-VL) Chat & vortrainiertes großes Vision-Sprachmodell, vorgeschlagen von Alibaba Cloud.
MLX-VLM ist ein Paket für die Inferenz und Feinabstimmung von Vision Language Models (VLMs) auf Ihrem Mac mit MLX.
MineContext ist Ihr proaktiver kontextsensitiver KI-Partner (Context-Engineering+ChatGPT Pulse)
DeepSeek-VL2: Mixture-of-Experts Vision-Language Models für fortschrittliches multimodales Verständnis
One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben
Qwen3.8 ist eine Reihe großer Sprachmodelle, die vom Qwen-Team der Alibaba Group entwickelt wurde.
DeepSeek-VL: Auf dem Weg zum realitätsnahen Sprachverständnis in der Bildsprache
Das offizielle Repository von MiniMax-Text-01 und MiniMax-VL-01, großes Sprachmodell & Sprach-Vision-Modell basierend auf linearer Aufmerksamkeit
Das Schweizer Taschenmesser der Offline-KI. Chatten, sehen, sprechen und Bilder generieren auf Ihrem Telefon oder Mac – GGUF-LLMs, Vision, Whisper-Spracherkennung, Stable Diffusion, Tool-Calling und lokale Netzwerkserver. Läuft auf Ihrer CPU, GPU oder NPU. Kein Konto, kein API-Schlüssel, keine Daten verlassen Ihr Gerät.
Offizielles Repository für "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"
InternLM-XComposer2.5-OmniLive: Ein umfassendes multimodales System für langfristige Streaming-Video- und Audiointeraktionen
Der Code, der zum Trainieren und Ausführen von Inferenzen mit den ColVision-Modellen verwendet wird, z. B. ColPali, ColQwen2 und ColSmol.
Das Cradle-Framework ist ein erster Versuch zur allgemeinen Computerkontrolle (GCC). Cradle unterstützt Agenten dabei, jede Computeraufgabe zu meistern, indem es starke Denkfähigkeiten, Selbstverbesserung und Fähigkeitenkuratierung in einer standardisierten allgemeinen Umgebung mit minimalen Anforderungen ermöglicht.
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.
Eine Open-Source-Implementierung für das Fine-Tuning der Qwen-VL-Serie von Alibaba Cloud.
[CVPR 2025] Open-Source, End-to-End, Vision-Language-Action-Modell für GUI-Agenten und Computerbenutzung.
Eine kuratierte Liste toller LLM/VLM/VLA/World-Model-Resourcen für autonomes Fahren (LLM4AD) (ständig aktualisiert)
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.
【ICML 2025 Spotlight】 Offizielles Repo für das Paper „HealthGPT: Ein großes medizinisches Vision-Sprachmodell zur Vereinheitlichung von Verständnis und Generierung durch heterogene Wissensanpassung“
Hochleistungs-LLM-Inferenzserver, kompatibel mit OpenAI und Anthropic, für Apple Silicon. Natives MLX, kontinuierliches Batching, multimodale Modelle, MCP-Toolaufrufe und Claude-Code-Unterstützung.
Seed1.5-VL, ein vision-language Foundation Model, das die allgemeine multimodale Verständnis- und Schlussfolgerungsfähigkeit verbessern soll und eine Spitzenleistung bei 38 von 60 öffentlichen Benchmarks erzielt.
Eine neuartige multimodale Large Language Model (MLLM)-Architektur, die entwickelt wurde, um visuelle und textuelle Einbettungen strukturell abzugleichen.
Holen Sie sich saubere Daten aus kniffligen Dokumenten, angetrieben von Vision-Language-Modellen ⚡
[ICCV 2025] Implementierung für Describe Anything: Detaillierte lokalisierte Bild- und Videounterschriftenerstellung
LLMs auf deinem Mac mit Apple Silicon fine-tunen. SFT, DPO, GRPO, Vision, TTS, STT, Embedding und OCR-Fine-Tuning — nativ auf MLX. Unsloth-kompatible API.
Die Implementierung von "Prismer: Ein Vision-Language-Modell mit Multi-Task-Experten".
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
Vollständig offener Rahmen für demokratisiertes multimodales Training
Kimi-VL: Mixture-of-Experts Vision-Language Model für multimodales Schlussfolgern, Langkontext-Verständnis und starke Agentenfähigkeiten
Diese Reihe nimmt Sie mit auf eine Reise von den Grundlagen der NLP und Computer Vision bis hin zu den modernsten Vision-Language-Modellen.
Ein transparentes Generalistenmodell für ein ganzheitliches medizinisches Bild-Sprach-Verständnis
[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), das erste Modell seiner Art, das natürlichsprachliche Antworten generieren kann, die nahtlos in Objeksegmentierungsmasken integriert sind.
Häufig gestellte Fragen
Welches ist das beliebteste #vision-language-model-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#vision-language-model-Projekt auf GitHub ist haotian-liu/LLaVA mit 24,232 Sternen. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) wurde für Fähigkeiten auf GPT-4V-Niveau und darüber hinaus entwickelt.
Welche Programmiersprachen werden in #vision-language-model-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #vision-language-model-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #vision-language-model-Repositories berechnet?
Wir verfolgen 82 aktive Open-Source-Repositories, die mit #vision-language-model getaggt sind (500+ Sterne), mit insgesamt 263,383 Sternen und durchschnittlich 3,211 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.