Git Stars Git Stars

#vision-language-models Repositories

Entdecke 86 aktive Open-Source-GitHub-Repositories, die mit #vision-language-models getaggt sind und insgesamt 198,329 Sterne gesammelt haben (durchschnittlich 2,306 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist Vision-CAIR/MiniGPT-4 mit 25,770 Sternen.

86
Gesamtzahl der Repositories
198,329
Gesamtanzahl der Sterne
2,306
Durchschnittliche Sterne/Repo

Insgesamt 86 Repositories

1
Vision-CAIR/MiniGPT-4

Open-Source-Codes für MiniGPT-4 und MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

Vision-CAIR
⭐ 25,770 Python 👤 Vision-CAIR Organization 🕐 Aktualisiert 2024-09-02 📅 Erstellt 2023-04-15
2
deepseek-ai/DeepSeek-OCR

Kontexte optische Kompression

deepseek-ai
⭐ 24,180 Python 👤 deepseek-ai Organization 🕐 Aktualisiert 2026-01-27 📅 Erstellt 2025-10-17
3
allenai/olmocr

Toolkit zur Linearisierung von PDFs für LLM-Datensätze/Training

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Aktualisiert 2026-03-25 📅 Erstellt 2024-09-17
4
NVIDIA/Isaac-GR00T

NVIDIA Isaac GR00T N1.7 - Ein Grundmodell für Generalistische Roboter.

NVIDIA
⭐ 8,402 Python 👤 NVIDIA Organization 🕐 Aktualisiert 2026-11-17 📅 Erstellt 2025-03-11
5
apple-aiml-research/ml-fastvlm

Dieses Repository enthält die offizielle Implementierung von "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025

apple-aiml-research
⭐ 7,445 Python 👤 apple-aiml-research Organization 🕐 Aktualisiert 2026-09-11 📅 Erstellt 2025-05-01
6
LargeWorldModel/LWM

Large World Model -- Modellierung von Text und Video mit Millionen von Kontexten

LargeWorldModel
⭐ 7,391 Python 👤 LargeWorldModel Organization 🕐 Aktualisiert 2024-10-19 📅 Erstellt 2024-02-08
7
google/gemma.cpp

leichtgewichtige, eigenständige C++-Inferenz-Engine für Googles Gemma-Modelle.

google
⭐ 7,089 C++ 👤 google Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2024-02-13
8
huggingface/nanoVLM

Das einfachste, schnellste Repository für das Training/Fine-Tuning von kleinen VLMs.

huggingface
⭐ 5,063 Python 👤 huggingface Organization 🕐 Aktualisiert 2025-10-27 📅 Erstellt 2025-05-02
9
lumina-ai-inc/chunkr

Visionsinfrastruktur, die komplexe Dokumente in LLM-fähige Daten umwandelt

lumina-ai-inc
⭐ 4,154 Rust 👤 lumina-ai-inc Organization 🕐 Aktualisiert 2026-09-09 📅 Erstellt 2024-08-24
10
StarsfieldAI/R1-V

Erleben Sie den Aha-Moment von VLM für weniger als 3 $

StarsfieldAI
⭐ 4,058 Python 👤 StarsfieldAI Organization 🕐 Aktualisiert 2025-05-19 📅 Erstellt 2025-02-02
11
NVlabs/VILA

VILA ist eine Familie hochmoderner Vision-Language-Models (VLMs) für vielfältige multimodale KI-Aufgaben im Edge-, Rechenzentrums- und Cloud-Bereich.

NVlabs
⭐ 3,873 Python 👤 NVlabs Organization 🕐 Aktualisiert 2026-03-12 📅 Erstellt 2024-02-23
12
jonyzhang2023/awesome-embodied-vla-va-vln

Eine kuratierte Liste von hochmodernen Forschungsarbeiten im Bereich Embodied AI, mit Schwerpunkt auf Vision-Language-Action (VLA)-Modellen, Vision-Language Navigation (VLN) und verwandten multimodalen Lernansätzen.

jonyzhang2023
⭐ 3,634 👤 jonyzhang2023 User 🕐 Aktualisiert 2026-09-15 📅 Erstellt 2025-01-16
13
OmniSVG/OmniSVG

[NeurIPS 2025] OmniSVG ist die erste Familie von End-to-End multimodalen SVG-Generatoren, die vortrainierte Vision-Language Models (VLMs) nutzen und komplexe und detaillierte SVGs generieren können, von einfachen Symbolen bis hin zu aufwendigen Anime-Charakteren.

OmniSVG
⭐ 2,666 Python 👤 OmniSVG User 🕐 Aktualisiert 2026-03-01 📅 Erstellt 2025-04-07
14
facebookresearch/perception_models

Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!

facebookresearch
⭐ 2,415 Jupyter Notebook 👤 facebookresearch Organization 🕐 Aktualisiert 2026-04-13 📅 Erstellt 2025-04-16
16
opendatalab/OmniDocBench

[CVPR 2025] Ein umfassender Benchmark für Dokumentenanalyse und -bewertung

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Aktualisiert 2026-11-12 📅 Erstellt 2024-10-14
17
PKU-YuanGroup/LLaVA-CoT

[ICCV 2025] LLaVA-CoT, ein visuelles Sprachmodell, das zu spontanem, systematischem Denken fähig ist

PKU-YuanGroup
⭐ 2,129 Python 👤 PKU-YuanGroup Organization 🕐 Aktualisiert 2025-12-12 📅 Erstellt 2024-11-17
18
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
19
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
21
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
22
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
23
kijai/ComfyUI-Florence2

Inferenz Microsoft Florence2 VLM

kijai
⭐ 1,764 Python 👤 kijai User 🕐 Aktualisiert 2026-05-06 📅 Erstellt 2024-06-19
24
baaivision/Emu3.5

Native multimodale Modelle sind Weltlerner

baaivision
⭐ 1,567 Python 👤 baaivision Organization 🕐 Aktualisiert 2025-12-30 📅 Erstellt 2025-10-29
25
tjmlabs/ColiVara

Colivara ist eine Reihe von Diensten, mit denen Sie Dokumente basierend auf deren visueller Einbettung speichern, suchen und abrufen können. ColiVara bietet eine hochmoderne Abrufleistung sowohl für Text- als auch für visuelle Dokumente. unter Verwendung von Visionsmodellen anstelle von Chunking und Textverarbeitung für Dokumente. Kein OCR, keine Textextraktion, keine kaputten Tabellen oder fehlenden Bilder.

tjmlabs
⭐ 1,485 Python 👤 tjmlabs Organization 🕐 Aktualisiert 2026-07-08 📅 Erstellt 2024-09-21
27
Sun-Haoyuan23/Awesome-RL-based-Reasoning-MLLMs

Dieses Repository bietet wertvolle Referenzen für Forscher im Bereich Multimodalität, beginnen Sie Ihre Entdeckungsreise in RL-basierten Reasoning MLLMs!

Sun-Haoyuan23
⭐ 1,449 👤 Sun-Haoyuan23 User 🕐 Aktualisiert 2026-09-29 📅 Erstellt 2025-02-21
28
rmokady/CLIP_prefix_caption

Einfaches Bildunterschriftenmodell

rmokady
⭐ 1,407 Jupyter Notebook 👤 rmokady User 🕐 Aktualisiert 2024-06-09 📅 Erstellt 2021-09-16
29
SakanaAI/evolutionary-model-merge

Offizielle Repository für evolutionäre Optimierung von Modellzusammenführungsrezepten

SakanaAI
⭐ 1,394 Python 👤 SakanaAI Organization 🕐 Aktualisiert 2024-11-29 📅 Erstellt 2024-03-05
30
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
31
Computer-Vision-in-the-Wild/CVinW_Readings

Eine Sammlung von Arbeiten zum Thema ``Computer Vision in the Wild (CVinW)''

Computer-Vision-in-the-Wild
⭐ 1,349 👤 Computer-Vision-in-the-Wild Organization 🕐 Aktualisiert 2024-03-14 📅 Erstellt 2022-09-28
32
X-Square-Robot/wall-x

Aufbau von Universalrobotern auf der Grundlage von verkörperten Basismodellen

X-Square-Robot
⭐ 1,337 Python 👤 X-Square-Robot Organization 🕐 Aktualisiert 2026-09-18 📅 Erstellt 2025-09-04
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 Aktualisiert 2025-11-20 📅 Erstellt 2025-03-15
35
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
37
reacher-z/Awesome-CUA

Offener, quellenbasierter Katalog von Computer-Use-Agenten: geprüfte Fachartikel, GUI-Modelle, Datensätze, Benchmarks, Tools und wiederverwendbare JSONL-/SQLite-Daten.

reacher-z
⭐ 1,072 Python 👤 reacher-z User 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-10-16
38
nvidia-cosmos/cosmos-reason1

Cosmos-Reason1-Modelle verstehen physischen Weltverstand und generieren durch lange Chain-of-Thought-Argumentationsprozesse angemessene verkörperte Entscheidungen in natürlicher Sprache.

nvidia-cosmos
⭐ 965 Python 👤 nvidia-cosmos Organization 🕐 Aktualisiert 2026-06-07 📅 Erstellt 2025-03-02
39
huangwl18/ReKep

ReKep: Räumlich-zeitliche Schlussfolgerung von relationalen Schlüsselpunktbeschränkungen für die Robotersteuerung

huangwl18
⭐ 950 Python 👤 huangwl18 User 🕐 Aktualisiert 2025-02-20 📅 Erstellt 2024-08-29
40
mst272/LLM-Dojo

Leichtgewichtiges LLM-Nach-Trainings-Framework, unterstützt SFT, RLVR, On-Policy KD, Guide KD und gemischtes Training; implementiert ein-/mehrstufige Guide-Destillation, Multi-Lehrer-Destillation, Reward-gemischtes Training und automatisierte Datenaufteilung👩‍🎓👨‍🎓

mst272
⭐ 939 Python 👤 mst272 User 🕐 Aktualisiert 2026-03-08 📅 Erstellt 2024-01-23
41
Qinying-Liu/Awesome-Open-Vocabulary-Semantic-Segmentation

Eine kuratierte Veröffentlichungsliste zu Open-Vokabular-semantischer Segmentierung und verwandten Bereichen (z. B. Zero-Shot-semantische Segmentierung) Ressourcen..

Qinying-Liu
⭐ 910 👤 Qinying-Liu User 🕐 Aktualisiert 2026-05-20 📅 Erstellt 2023-09-28
42
TRI-ML/prismatic-vlms

Eine flexible und effiziente Codebasis für das Training von visuell-konditionierten Sprachmodellen (VLMs)

TRI-ML
⭐ 894 Python 👤 TRI-ML Organization 🕐 Aktualisiert 2024-07-04 📅 Erstellt 2024-02-13
43
LYL1015/JarvisArt

[NeurIPS' 2025] JarvisArt: Befreiung menschlicher künstlerischer Kreativität durch einen intelligenten Foto-Retusche-Agenten

LYL1015
⭐ 880 Python 👤 LYL1015 User 🕐 Aktualisiert 2026-04-04 📅 Erstellt 2025-06-24
44
beichenzbc/Long-CLIP

[ECCV 2024] offizieller Code für "Long-CLIP: Freischaltung der Langtext-Fähigkeit von CLIP"

beichenzbc
⭐ 879 Python 👤 beichenzbc User 🕐 Aktualisiert 2024-08-13 📅 Erstellt 2024-03-20
45
InternLM/Intern-S1

Ein wissenschaftliches multimodales Basismodell

InternLM
⭐ 876 👤 InternLM Organization 🕐 Aktualisiert 2026-09-13 📅 Erstellt 2025-07-25
46
RiseInRose/MiniGPT-4-ZH

MiniGPT-4 Chinesische Bereitstellung Übersetzung Verfeinerung der Bereitstellungsdetails

RiseInRose
⭐ 859 Python 👤 RiseInRose User 🕐 Aktualisiert 2026-05-09 📅 Erstellt 2023-04-19
48
allenai/molmo

Code für das Molmo Vision-Language Model

allenai
⭐ 851 Python 👤 allenai Organization 🕐 Aktualisiert 2024-12-12 📅 Erstellt 2024-12-05
49
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
50
showlab/Awesome-Unified-Multimodal-Models

📖 Dies ist ein Repository zur Organisation von Papieren, Codes und anderen Ressourcen im Zusammenhang mit einheitlichen multimodalen Modellen.

showlab
⭐ 834 👤 showlab Organization 🕐 Aktualisiert 2025-10-10 📅 Erstellt 2024-08-27

Häufig gestellte Fragen

1

Welches ist das beliebteste #vision-language-models-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#vision-language-models-Projekt auf GitHub ist Vision-CAIR/MiniGPT-4 mit 25,770 Sternen. Open-Source-Codes für MiniGPT-4 und MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

2

Welche Programmiersprachen werden in #vision-language-models-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #vision-language-models-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Rust die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #vision-language-models-Repositories berechnet?

Wir verfolgen 86 aktive Open-Source-Repositories, die mit #vision-language-models getaggt sind (500+ Sterne), mit insgesamt 198,329 Sternen und durchschnittlich 2,306 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.