Git Stars Git Stars

#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.

82
Gesamtzahl der Repositories
263,383
Gesamtanzahl der Sterne
3,211
Durchschnittliche Sterne/Repo

Insgesamt 82 Repositories

1
haotian-liu/LLaVA

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) wurde für Fähigkeiten auf GPT-4V-Niveau und darüber hinaus entwickelt.

haotian-liu
⭐ 24,232 Python 👤 haotian-liu User 🕐 Aktualisiert 2024-08-12 📅 Erstellt 2023-04-17
2
datalab-to/surya

OCR, Layoutanalyse, Lesereihenfolge, Tabellenerkennung in über 90 Sprachen

datalab-to
⭐ 21,608 Python 👤 datalab-to Organization 🕐 Aktualisiert 2026-11-13 📅 Erstellt 2024-01-10
3
QwenLM/Qwen3-VL

Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.

QwenLM
⭐ 20,240 Jupyter Notebook 👤 QwenLM Organization 🕐 Aktualisiert 2026-01-30 📅 Erstellt 2024-08-29
4
datalab-to/chandra

OCR-Modell, das komplexe Tabellen, Formulare und Handschriften mit vollständigem Layout verarbeitet.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2025-10-08
5
CVHub520/X-AnyLabeling

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.

CVHub520
⭐ 11,004 Python 👤 CVHub520 User 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2023-05-23
6
m87-labs/moondream

kleines visuelles Sprachmodell

m87-labs
⭐ 10,167 Python 👤 m87-labs Organization 🕐 Aktualisiert 2026-04-20 📅 Erstellt 2023-12-29
7
OpenGVLab/InternVL

[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.

OpenGVLab
⭐ 10,160 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2025-09-22 📅 Erstellt 2023-11-22
8
studio-dots-ai/dots.ocr

Mehrsprachige Dokumentenlayout-Analyse in einem einzigen Vision-Language-Modell

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 Aktualisiert 2026-03-24 📅 Erstellt 2025-07-30
9
jingyaogong/minimind-v

👀 Trainiere ein VLM mit 65 Millionen Parametern in nur 2 Stunden von Grund auf neu!

jingyaogong
⭐ 8,868 Python 👤 jingyaogong User 🕐 Aktualisiert 2026-10-27 📅 Erstellt 2024-09-11
10
Ucas-HaoranWei/GOT-OCR2.0

Offizielle Code-Implementierung der General OCR Theory: Auf dem Weg zu OCR-2.0 über ein vereinheitlichtes End-to-End-Modell

Ucas-HaoranWei
⭐ 8,133 Python 👤 Ucas-HaoranWei User 🕐 Aktualisiert 2025-02-10 📅 Erstellt 2024-09-02
11
QwenLM/Qwen-VL

Das offizielle Repository von Qwen-VL (通义千问-VL) Chat & vortrainiertes großes Vision-Sprachmodell, vorgeschlagen von Alibaba Cloud.

QwenLM
⭐ 6,453 Python 👤 QwenLM Organization 🕐 Aktualisiert 2024-08-07 📅 Erstellt 2023-08-21
12
ByteDance-Seed/Bagel

Open-Source Unified Multimodales Modell

ByteDance-Seed
⭐ 6,223 Python 👤 ByteDance-Seed Organization 🕐 Aktualisiert 2026-05-04 📅 Erstellt 2025-04-17
13
Neywa-Labs/mlx-vlm

MLX-VLM ist ein Paket für die Inferenz und Feinabstimmung von Vision Language Models (VLMs) auf Ihrem Mac mit MLX.

Neywa-Labs
⭐ 5,886 Python 👤 Neywa-Labs Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2024-04-16
14
volcengine/MineContext

MineContext ist Ihr proaktiver kontextsensitiver KI-Partner (Context-Engineering+ChatGPT Pulse)

volcengine
⭐ 5,553 Python 👤 volcengine Organization 🕐 Aktualisiert 2026-05-07 📅 Erstellt 2025-06-24
15
deepseek-ai/DeepSeek-VL2

DeepSeek-VL2: Mixture-of-Experts Vision-Language Models für fortschrittliches multimodales Verständnis

deepseek-ai
⭐ 5,297 Python 👤 deepseek-ai Organization 🕐 Aktualisiert 2025-02-26 📅 Erstellt 2024-12-13
16
PKU-Alignment/align-anything

Align Anything: Training eines All-Modalitäts-Modells mit Feedback

PKU-Alignment
⭐ 4,669 Python 👤 PKU-Alignment Organization 🕐 Aktualisiert 2025-11-27 📅 Erstellt 2024-07-14
17
EvolvingLMMs-Lab/lmms-eval

One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben

EvolvingLMMs-Lab
⭐ 4,501 Python 👤 EvolvingLMMs-Lab Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2024-03-07
18
QwenLM/Qwen3.8

Qwen3.8 ist eine Reihe großer Sprachmodelle, die vom Qwen-Team der Alibaba Group entwickelt wurde.

QwenLM
⭐ 4,459 👤 QwenLM Organization 🕐 Aktualisiert 2026-08-17 📅 Erstellt 2025-09-11
19
deepseek-ai/DeepSeek-VL

DeepSeek-VL: Auf dem Weg zum realitätsnahen Sprachverständnis in der Bildsprache

deepseek-ai
⭐ 4,037 Python 👤 deepseek-ai Organization 🕐 Aktualisiert 2024-04-24 📅 Erstellt 2024-03-07
20
MiniMax-AI/MiniMax-01

Das offizielle Repository von MiniMax-Text-01 und MiniMax-VL-01, großes Sprachmodell & Sprach-Vision-Modell basierend auf linearer Aufmerksamkeit

MiniMax-AI
⭐ 3,445 Python 👤 MiniMax-AI Organization 🕐 Aktualisiert 2025-07-07 📅 Erstellt 2025-01-14
21
off-grid-ai/OGAM

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.

off-grid-ai
⭐ 3,406 TypeScript 👤 off-grid-ai Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-01-29
22
dvlab-research/MGM

Offizielles Repository für "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

JIA-Lab-research
⭐ 3,330 Python 👤 JIA-Lab-research Organization 🕐 Aktualisiert 2024-05-04 📅 Erstellt 2024-03-26
23
jingyi0000/VLM_survey

Sammlung von großartigen Vision-Sprachmodellen für visuelle Aufgaben

jingyi0000
⭐ 3,132 👤 jingyi0000 User 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2023-03-30
24
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
25
illuin-tech/colpali

Der Code, der zum Trainieren und Ausführen von Inferenzen mit den ColVision-Modellen verwendet wird, z. B. ColPali, ColQwen2 und ColSmol.

illuin-tech
⭐ 2,859 Python 👤 illuin-tech Organization 🕐 Aktualisiert 2026-09-21 📅 Erstellt 2024-06-20
26
BAAI-Agents/Cradle

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.

BAAI-Agents
⭐ 2,394 Python 👤 BAAI-Agents Organization 🕐 Aktualisiert 2024-11-07 📅 Erstellt 2024-03-03
27
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
28
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
29
showlab/ShowUI

[CVPR 2025] Open-Source, End-to-End, Vision-Language-Action-Modell für GUI-Agenten und Computerbenutzung.

showlab
⭐ 1,932 Python 👤 showlab Organization 🕐 Aktualisiert 2026-04-24 📅 Erstellt 2024-10-31
30
Thinklab-SJTU/Awesome-LLM4AD

Eine kuratierte Liste toller LLM/VLM/VLA/World-Model-Resourcen für autonomes Fahren (LLM4AD) (ständig aktualisiert)

Thinklab-SJTU
⭐ 1,907 👤 Thinklab-SJTU Organization 🕐 Aktualisiert 2026-10-15 📅 Erstellt 2023-10-06
31
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
⭐ 1,795 Python 👤 microsoft Organization 🕐 Aktualisiert 2026-11-02 📅 Erstellt 2026-06-15
33
ZJU4HealthCare/HealthGPT

【ICML 2025 Spotlight】 Offizielles Repo für das Paper „HealthGPT: Ein großes medizinisches Vision-Sprachmodell zur Vereinheitlichung von Verständnis und Generierung durch heterogene Wissensanpassung“

ZJU4HealthCare
⭐ 1,673 Python 👤 ZJU4HealthCare Organization 🕐 Aktualisiert 2026-07-31 📅 Erstellt 2025-02-17
34
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
35
ByteDance-Seed/Seed1.5-VL

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.

ByteDance-Seed
⭐ 1,581 Jupyter Notebook 👤 ByteDance-Seed Organization 🕐 Aktualisiert 2025-06-14 📅 Erstellt 2025-05-11
36
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
37
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
38
NVlabs/describe-anything

[ICCV 2025] Implementierung für Describe Anything: Detaillierte lokalisierte Bild- und Videounterschriftenerstellung

NVlabs
⭐ 1,497 Python 👤 NVlabs Organization 🕐 Aktualisiert 2025-06-26 📅 Erstellt 2025-04-04
39
ARahim3/mlx-tune

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.

ARahim3
⭐ 1,475 Python 👤 ARahim3 User 🕐 Aktualisiert 2026-06-23 📅 Erstellt 2026-01-03
40
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
41
ATH-MaaS/Awesome-Unified-Multimodal-Models

Hervorragende einheitliche multimodale Modelle

ATH-MaaS
⭐ 1,325 👤 ATH-MaaS Organization 🕐 Aktualisiert 2026-03-24 📅 Erstellt 2025-05-07
42
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
43
NVlabs/prismer

Die Implementierung von "Prismer: Ein Vision-Language-Modell mit Multi-Task-Experten".

NVlabs
⭐ 1,308 Python 👤 NVlabs Organization 🕐 Aktualisiert 2024-01-17 📅 Erstellt 2023-03-02
44
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
45
EvolvingLMMs-Lab/LLaVA-OneVision-2.5

Vollständig offener Rahmen für demokratisiertes multimodales Training

EvolvingLMMs-Lab
⭐ 1,245 Python 👤 EvolvingLMMs-Lab Organization 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2025-09-16
46
MoonshotAI/Kimi-VL

Kimi-VL: Mixture-of-Experts Vision-Language Model für multimodales Schlussfolgern, Langkontext-Verständnis und starke Agentenfähigkeiten

MoonshotAI
⭐ 1,203 👤 MoonshotAI Organization 🕐 Aktualisiert 2025-07-15 📅 Erstellt 2025-04-09
47
SkalskiP/vlms-zero-to-hero

Diese Reihe nimmt Sie mit auf eine Reise von den Grundlagen der NLP und Computer Vision bis hin zu den modernsten Vision-Language-Modellen.

SkalskiP
⭐ 1,172 Jupyter Notebook 👤 SkalskiP User 🕐 Aktualisiert 2025-01-23 📅 Erstellt 2024-12-20
48
ZJUI-AI4H/Hulu-Med

Ein transparentes Generalistenmodell für ein ganzheitliches medizinisches Bild-Sprach-Verständnis

ZJUI-AI4H
⭐ 1,031 Python 👤 ZJUI-AI4H User 🕐 Aktualisiert 2026-08-30 📅 Erstellt 2025-10-08
49
OpenBMB/VisRAG

Parsing-freie RAG, unterstützt durch VLMs

OpenBMB
⭐ 991 Python 👤 OpenBMB Organization 🕐 Aktualisiert 2026-11-02 📅 Erstellt 2024-10-14
50
mbzuai-oryx/groundingLMM

[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), das erste Modell seiner Art, das natürlichsprachliche Antworten generieren kann, die nahtlos in Objeksegmentierungsmasken integriert sind.

mbzuai-oryx
⭐ 969 Python 👤 mbzuai-oryx Organization 🕐 Aktualisiert 2026-09-05 📅 Erstellt 2023-11-02

Häufig gestellte Fragen

1

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.

2

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.

3

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.