Git Stars Git Stars

#vision-language-model Repositories

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

Insgesamt 82 Repositories

51
Anionex/dsh-vision-toolkit

[dsh] Ein leistungsfähigeres visuelles Toolkit für reine Textmodelle: Installation und Nutzung mit einer einzigen Zeile, direkte Bilderkennung durch Einfügen von Bildern, Fragen und Antworten zu mehreren Bildern, Wiederherstellung der Frontend-UI aus Screenshots und vieles mehr|Native DeepSeek-Harness-Integration für agent-vision-toolkit: Bildfragen und -antworten, OCR für lange Screenshots, UI-Wiederherstellung, Grounding, Pixel-Diff, Artifacts und Web UI.

Anionex
⭐ 949 TypeScript 👤 Anionex User 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-08-13
52
PKU-YuanGroup/Chat-UniVi

[CVPR 2024 Highlight🔥] Chat-UniVi: Unified Visual Representation Ermöglicht großen Sprachmodellen das Verstehen von Bildern und Videos

PKU-YuanGroup
⭐ 943 Python 👤 PKU-YuanGroup Organization 🕐 Aktualisiert 2024-10-16 📅 Erstellt 2023-11-13
53
Valen-Team/Valen

Offene multimodale Entscheidungsmodelle mit 0,8B bis 27B Parametern für Text, Bilder und Videos. Treffen Sie Entscheidungen anhand von Wahrscheinlichkeiten für eigene Kandidaten und lokalisieren Sie Objekte mit Begrenzungsrahmen, statt Text zu generieren. Kostenlose API, ONNX, GGUF, vLLM und SGLang; Fine-Tuning-Code enthalten.

Valen-Team
⭐ 932 Python 👤 Valen-Team Organization 🕐 Aktualisiert 2026-11-15 📅 Erstellt 2026-09-23
54
facebookresearch/ShapeR

Code für das ShapeR-Forschungspapier

facebookresearch
⭐ 904 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-04-30 📅 Erstellt 2026-01-14
55
SkalskiP/top-cvpr-2025-papers

Über Dieses Repository ist eine kuratierte Sammlung der aufregendsten und einflussreichsten CVPR 2025-Paper. 🔥 [Paper + Code + Demo]

SkalskiP
⭐ 899 Python 👤 SkalskiP User 🕐 Aktualisiert 2026-04-15 📅 Erstellt 2025-05-31
56
xlang-ai/OpenCUA

[NeurIPS 2025 Spotlight] OpenCUA: Offene Grundlagen für Computer-Nutzungsagenten

xlang-ai
⭐ 877 Python 👤 xlang-ai Organization 🕐 Aktualisiert 2026-05-25 📅 Erstellt 2025-06-21
57
SunzeY/AlphaCLIP

[CVPR 2024] Alpha-CLIP: Ein CLIP-Modell, das sich auf jeden beliebigen Punkt konzentriert

SunzeY
⭐ 876 Jupyter Notebook 👤 SunzeY User 🕐 Aktualisiert 2025-07-20 📅 Erstellt 2023-11-27
59
OpenMOSS/MOSS-VL

Eine 11B-Modellreihe mit offenen Gewichten zum Verstehen von Langform- und Echtzeitvideos

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 Aktualisiert 2026-10-14 📅 Erstellt 2026-04-08
60
mlfoundations/MINT-1T

🍃 MINT-1T: Ein multimodaler verschränkter Datensatz mit einer Billion Token.

mlfoundations
⭐ 828 👤 mlfoundations Organization 🕐 Aktualisiert 2024-07-31 📅 Erstellt 2024-06-16
61
zubair-irshad/Awesome-Robotics-3D

Eine kuratierte Liste von 3D-Vision-Papieren im Bereich Robotik im Zeitalter großer Modelle, d. h. LLMs/VLMs, inspiriert von Awesome-Computer-Vision, einschließlich Papieren, Codes und verwandten Websites

zubair-irshad
⭐ 824 👤 zubair-irshad User 🕐 Aktualisiert 2025-12-17 📅 Erstellt 2024-08-12
62
huangwl18/VoxPoser

VoxPoser: Komponierbare 3D-Werteabbildungen für die Robotermanipulation mit Sprachmodellen

huangwl18
⭐ 806 Python 👤 huangwl18 User 🕐 Aktualisiert 2025-02-20 📅 Erstellt 2023-11-02
63
zhengli97/Awesome-Prompt-Adapter-Learning-for-VLMs-CLIP

Eine kuratierte Liste von hervorragenden Prompt/Adapter-Lernmethoden für Vision-Language-Modelle wie CLIP.

zhengli97
⭐ 802 👤 zhengli97 User 🕐 Aktualisiert 2026-07-17 📅 Erstellt 2024-03-15
64
2toinf/X-VLA

[ICLR 2026] Die offizielle Implementierung von "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"

2toinf
⭐ 762 C++ 👤 2toinf User 🕐 Aktualisiert 2026-10-20 📅 Erstellt 2025-09-25
65
magicrew/doc7

Wandeln Sie Dokumente mit visuellem Verständnis in KI-fähiges Markdown um

magicrew
⭐ 719 Go 👤 magicrew Organization 🕐 Aktualisiert 2026-08-07 📅 Erstellt 2026-08-02
66
NVlabs/OmniVinci

OmniVinci ist ein omnimodales LLM zum gemeinsamen Verständnis von Sehen (Vision), Audio und Sprache.

NVlabs
⭐ 683 Python 👤 NVlabs Organization 🕐 Aktualisiert 2026-08-31 📅 Erstellt 2025-09-24
67
wanshuiyin/ARIS-in-AI-Offer

Bilinguale (Chinesisch + Englisch) Spickzettel für Vorstellungsgespräche zu ML / LLM / Diffusion / Agenten im herbstlichen KI-Recruiting — erstellt mit ARIS /interview-cheatsheet und von /render-html als überall lesbare einteilige HTML-Dateien gerendert — außerdem ein anhand von CV→DBLP faktengeprüfter Generator für akademische Homepages sowie selbst verfasste Langform-Blogs 🌱

wanshuiyin
⭐ 661 Python 👤 wanshuiyin User 🕐 Aktualisiert 2026-11-18 📅 Erstellt 2026-05-19
⭐ 650 👤 XiaomiMiMo Organization 🕐 Aktualisiert 2026-10-29 📅 Erstellt 2025-05-29
⭐ 647 Python 👤 Visual-Agent Organization 🕐 Aktualisiert 2026-02-26 📅 Erstellt 2025-10-31
70
NJU-3DV/SpatialVID

[CVPR 2026] SpatialVID: Ein großangelegtes Videodataset mit räumlichen Annotationen

NJU-3DV
⭐ 614 Python 👤 NJU-3DV Organization 🕐 Aktualisiert 2026-04-22 📅 Erstellt 2025-09-10
71
LAMDA-CL/LAMDA-PILOT

🎉 PILOT: Eine auf vortrainierten Modellen basierende Toolbox für kontinuierliches Lernen

LAMDA-CL
⭐ 614 Python 👤 LAMDA-CL Organization 🕐 Aktualisiert 2026-01-29 📅 Erstellt 2023-08-30
72
linzhiqiu/t2v_metrics

Bewertung von Text-zu-Bild/Video/3D-Modellen mit VQAScore

linzhiqiu
⭐ 607 Python 👤 linzhiqiu User 🕐 Aktualisiert 2026-06-05 📅 Erstellt 2023-12-16
73
IuvenisSapiens/ComfyUI_Qwen3-VL-Instruct

Die erfolgreiche Integration der Qwen3-VL-Instruct-Serie in die ComfyUI-Plattform hat einen reibungslosen Betrieb ermöglicht, der (aber nicht ausschließlich) textbasierte Abfragen, Videoabfragen, Abfragen mit einem einzigen Bild sowie Abfragen mit mehreren Bildern zur Erzeugung von Untertiteln oder Antworten unterstützt.

IuvenisSapiens
⭐ 587 Python 👤 IuvenisSapiens User 🕐 Aktualisiert 2025-10-23 📅 Erstellt 2024-08-31
74
FoundationVision/Groma

[ECCV2024] Geerdetes multimodales großes Sprachmodell mit lokalisierter visueller Tokenisierung

FoundationVision
⭐ 582 Python 👤 FoundationVision Organization 🕐 Aktualisiert 2024-06-07 📅 Erstellt 2024-04-21
75
ictnlp/LLaVA-Mini

LLaVA-Mini ist ein einheitliches großes multimodales Modell (LMM), das Bilder, hochauflösende Bilder und Videos auf effiziente Weise verstehen kann.

ictnlp
⭐ 575 Python 👤 ictnlp Organization 🕐 Aktualisiert 2025-06-29 📅 Erstellt 2025-01-07
76
cambrian-mllm/cambrian-s

Cambrian-S: Auf dem Weg zu räumlicher Supersensorik in Video

cambrian-mllm
⭐ 573 Python 👤 cambrian-mllm Organization 🕐 Aktualisiert 2026-04-03 📅 Erstellt 2025-10-13
77
Flame-Code-VLM/Flame-Code-VLM

Flame ist ein Open-Source-multimodales KI-System, das entwickelt wurde, um UI-Design-Mockups in qualitativ hochwertigen React-Code zu übersetzen. Es nutzt Vision-Language-Modelling, automatisierte Datensynthese und strukturierte Trainings-Workflows, um die Lücke zwischen Design und Frontend-Entwicklung zu schließen.

Flame-Code-VLM
⭐ 564 Python 👤 Flame-Code-VLM Organization 🕐 Aktualisiert 2026-02-11 📅 Erstellt 2025-02-10
78
OpenGVLab/Multi-Modality-Arena

Die Chatbot Arena trifft auf Multimodalität! Die Multi-Modality Arena ermöglicht es Ihnen, Vision-Language-Modelle nebeneinander zu benchmarken, während Bilder als Eingaben bereitgestellt werden. Unterstützt werden MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2 und viele mehr!

OpenGVLab
⭐ 553 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2024-04-21 📅 Erstellt 2023-05-10
79
Mengqi-Lei/count-anything

Code- und Implementierungsrichtlinien für das Papier ✨Counting Anything. Projektseite: https://mengqi-lei.github.io/count-anything-projectpage/

Mengqi-Lei
⭐ 545 Python 👤 Mengqi-Lei User 🕐 Aktualisiert 2026-08-12 📅 Erstellt 2026-05-18
80
vulab-AI/Awesome-Spatial-VLMs

[Awesome-Spatial-VLMs] Dieses Repository ist die offizielle, von der Community gepflegte Ressource für das Übersichts-Paper: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey.

vulab-AI
⭐ 525 Python 👤 vulab-AI Organization 🕐 Aktualisiert 2026-07-30 📅 Erstellt 2025-07-10
81
mll-lab-nu/VAGEN

Bestärkendes Lernen mit Weltmodellen für VLM-Agenten mit mehreren Dialogrunden. Framework für bestärkendes Lernen im Bereich Vision (NeurIPS 2025).

mll-lab-nu
⭐ 525 Python 👤 mll-lab-nu Organization 🕐 Aktualisiert 2026-10-29 📅 Erstellt 2025-03-04
82
Jiaaqiliu/Awesome-VLA-Robotics

Eine umfassende Liste exzellenter Forschungsarbeiten, Modelle, Datensätze und anderer Ressourcen zu Vision‑Language‑Action (VLA) Modellen in der Robotik.

Jiaaqiliu
⭐ 505 👤 Jiaaqiliu User 🕐 Aktualisiert 2026-10-19 📅 Erstellt 2025-04-21