#foundation-models Repositorios
Descubre 155 repositorios activos de código abierto de GitHub etiquetados con #foundation-models, que acumulan 525,346 estrellas en total (una media de 3,389 estrellas por proyecto). El líder de este tema es facebookresearch/segment-anything, con 53,052 estrellas.
155 repositorios en total
El repositorio proporciona código para ejecutar inferencias con el SegmentAnything Model (SAM), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) se construyó para capacidades de nivel GPT-4V y superiores.
Entrenamiento previo auto-supervisado a gran escala a través de tareas, idiomas y modalidades
El repositorio proporciona código para ejecutar la inferencia con el Meta Segment Anything Model 2 (SAM 2), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
[WIP] Recursos para ingenieros de IA. También contiene materiales de apoyo para el libro AI Engineering (Chip Huyen, 2025)
YuE2: generación musical de vanguardia con planificación simbólica, versiones de canciones sin ejemplos previos y edición musical mediante agentes.
El repositorio proporciona código para ejecutar inferencia y ajuste fino con el Meta Segment Anything Model 3 (SAM 3), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
Moshi es un modelo de base de voz a texto y un marco de diálogo hablado full-duplex. Utiliza Mimi, un códec de audio neuronal de transmisión de última generación.
Una biblioteca de Python para la detección de anomalías en datos tabulares, series temporales, grafos, texto, imágenes y audio. Incluye más de 60 detectores, orquestación ADEngine respaldada por benchmarks y un flujo de trabajo agente para agentes de IA.
OpenSquilla — Agente de IA eficiente en tokens con el mismo presupuesto, mayor densidad de inteligencia
Chronos: Modelos preentrenados para la previsión de series temporales
LimiX: Liberando la capacidad de modelado de datos estructurados para la inteligencia generalista https://arxiv.org/abs/2609.17488
Framework de código abierto para la investigación y el desarrollo de modelos fundacionales.
TimeGPT-2.1: modelo fundacional de series temporales preentrenado y listo para producción para la predicción y la detección de anomalías. Un transformador generativo preentrenado para series temporales, entrenado con más de 100.000 millones de puntos de datos. Es capaz de realizar predicciones precisas en diversos ámbitos, como el comercio minorista, la electricidad, las finanzas y el IoT, con solo unas pocas líneas de código 🚀.
Código y modelos PyTorch para el aprendizaje auto-supervisado V-JEPA a partir de video.
Grounded SAM 2: Ancla y rastrea cualquier cosa en videos con Grounding DINO, Florence-2 y SAM 2
El repositorio proporciona el código para ejecutar la inferencia con el Modelo de Audio Segment Anything de Meta (SAM-Audio), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
Código y modelos para el artículo de ICML 2024, NExT-GPT: Modelo de lenguaje grande multimodal de cualquiera a cualquiera
[CVPR2024 Highlight][VideoChatGPT] ¡ChatGPT con comprensión de video! Y muchos más LM compatibles como miniGPT4, StableLM y MOSS.
SuperCLUE: Benchmark integral para modelos grandes generales en chino | Un benchmark para modelos fundacionales en chino
Otter, un modelo multimodal basado en OpenFlamingo (versión de código abierto de Flamingo de DeepMind), entrenado en MIMIC-IT y que muestra una capacidad mejorada para seguir instrucciones y aprendizaje en contexto.
Repositorio oficial de MOSS-Image, un modelo DiT base de 5.000 millones de parámetros con renderizado de texto de alta calidad, generación de diseños y ajuste fino eficiente.
[Nominación al Mejor Artículo CVPR 2025] FoundationStereo: Coincidencia Estéreo de "Zero-Shot"
Holistic Evaluation of Language Models (HELM) es un marco de Python de código abierto creado por el Center for Research on Foundation Models (CRFM) en Stanford para la evaluación holística, reproducible y transparente de modelos de fundación, incluidos modelos de lenguaje grandes (LLM) y modelos multimodales.
Imágenes para inferencia sin etiquetado (utilice modelos fundacionales para entrenar modelos supervisados).
GigaBrain-0: Un Modelo Visión-Lenguaje-Acción Impulsado por un Modelo del Mundo
[ECCV2024] Modelos Fundamentales de Video y Datos para la Comprensión Multimodal
Awesome-LLM-3D: una lista curada de modelos de lenguaje grandes multimodales en el mundo 3D Recursos
[CVPR 2025] Implementación oficial de PyTorch de MambaVision: Un backbone híbrido Mamba-Transformer para visión
Cosas increíbles sobre los agentes impulsados por LLM. Artículos / Repositorios / Blogs / ...
Este es un taller diseñado para Amazon Bedrock, un servicio de modelos fundamentales.
Aprendizaje de Indicaciones para Modelos de Visión y Lenguaje (IJCV'22, CVPR'22)
Un evaluador automático para modelos de lenguaje que siguen instrucciones. Validado por humanos, de alta calidad, barato y rápido.
Preguntas frecuentes
¿Cuál es el repositorio de #foundation-models más popular en GitHub?
El proyecto de código abierto de #foundation-models mejor posicionado en GitHub es facebookresearch/segment-anything, con 53,052 estrellas. El repositorio proporciona código para ejecutar inferencias con el SegmentAnything Model (SAM), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
¿Qué lenguajes de programación se utilizan más en los repositorios de #foundation-models?
Entre los proyectos de #foundation-models mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #foundation-models?
Seguimos 155 repositorios activos de código abierto etiquetados con #foundation-models (500+ estrellas), que suman un total de 525,346 estrellas, con una media de 3,389 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.