#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.
Insgesamt 86 Repositories
Open-Source-Codes für MiniGPT-4 und MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Dieses Repository enthält die offizielle Implementierung von "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
Large World Model -- Modellierung von Text und Video mit Millionen von Kontexten
Das einfachste, schnellste Repository für das Training/Fine-Tuning von kleinen VLMs.
VILA ist eine Familie hochmoderner Vision-Language-Models (VLMs) für vielfältige multimodale KI-Aufgaben im Edge-, Rechenzentrums- und Cloud-Bereich.
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.
[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.
Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!
[CVPR 2025] Ein umfassender Benchmark für Dokumentenanalyse und -bewertung
[ICCV 2025] LLaVA-CoT, ein visuelles Sprachmodell, das zu spontanem, systematischem Denken fähig ist
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.
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.
Dieses Repository bietet wertvolle Referenzen für Forscher im Bereich Multimodalität, beginnen Sie Ihre Entdeckungsreise in RL-basierten Reasoning MLLMs!
Offizielle Repository für evolutionäre Optimierung von Modellzusammenführungsrezepten
Kuratierter visueller Katalog mit über 200 Architekturen von Vision-Language-Modellen (VLM/MLLM): Fachartikel, Diagramme, Trainingsrezepte, Datensätze und ein Veröffentlichungszeitplan für multimodale KI-Agenten.
Eine Sammlung von Arbeiten zum Thema ``Computer Vision in the Wild (CVinW)''
Aufbau von Universalrobotern auf der Grundlage von verkörperten Basismodellen
Offener, quellenbasierter Katalog von Computer-Use-Agenten: geprüfte Fachartikel, GUI-Modelle, Datensätze, Benchmarks, Tools und wiederverwendbare JSONL-/SQLite-Daten.
Cosmos-Reason1-Modelle verstehen physischen Weltverstand und generieren durch lange Chain-of-Thought-Argumentationsprozesse angemessene verkörperte Entscheidungen in natürlicher Sprache.
ReKep: Räumlich-zeitliche Schlussfolgerung von relationalen Schlüsselpunktbeschränkungen für die Robotersteuerung
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👩🎓👨🎓
Eine kuratierte Veröffentlichungsliste zu Open-Vokabular-semantischer Segmentierung und verwandten Bereichen (z. B. Zero-Shot-semantische Segmentierung) Ressourcen..
Eine flexible und effiziente Codebasis für das Training von visuell-konditionierten Sprachmodellen (VLMs)
[NeurIPS' 2025] JarvisArt: Befreiung menschlicher künstlerischer Kreativität durch einen intelligenten Foto-Retusche-Agenten
[ECCV 2024] offizieller Code für "Long-CLIP: Freischaltung der Langtext-Fähigkeit von CLIP"
MiniGPT-4 Chinesische Bereitstellung Übersetzung Verfeinerung der Bereitstellungsdetails
Eine 11B-Modellreihe mit offenen Gewichten zum Verstehen von Langform- und Echtzeitvideos
📖 Dies ist ein Repository zur Organisation von Papieren, Codes und anderen Ressourcen im Zusammenhang mit einheitlichen multimodalen Modellen.
Häufig gestellte Fragen
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/)
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.
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.