#mllm Repositorios
Descubre 39 repositorios activos de código abierto de GitHub etiquetados con #mllm, que acumulan 95,941 estrellas en total (una media de 2,460 estrellas por proyecto). El líder de este tema es microsoft/unilm, con 22,247 estrellas.
39 repositorios en total
Entrenamiento previo auto-supervisado a gran escala a través de tareas, idiomas y modalidades
Agent S: agentes de código abierto de última generación para interactuar con computadoras
[NeurIPS 2025] SpatialLM: Training Large Language Models for Structured Indoor Modeling
Desde el prompting Chain-of-Thought hasta OpenAI o1 y DeepSeek-R1 🍓
[CVPR'25] Implementaciones Oficiales para Artículos - MagicQuill: Un Sistema Inteligente Interactivo de Edición de Imágenes
Código y modelos para el artículo de ICML 2024, NExT-GPT: Modelo de lenguaje grande multimodal de cualquiera a cualquiera
InternLM-XComposer2.5-OmniLive: Un sistema multimodal completo para interacciones de audio y video en streaming a largo plazo
mPLUG-DocOwl: Modelo de lenguaje grande multimodal modularizado para la comprensión de documentos
Cambrian-1 es una familia de LLM multimodales con un diseño centrado en la visión.
🚀🚀🚀 Una colección de algunos fantásticos proyectos de series públicas de detección de objetos YOLO y los conjuntos de datos de detección de objetos relacionados.
Repositorio oficial para la base de código de Pixel-LLM: Sa2VA (T-PAMI-26), SAMTok (CVPR-26), VRT (Arxiv-25), SaSaSa2VA (1.ª solución para LSVOS)
Catálogo visual seleccionado de más de 200 arquitecturas de modelos de visión y lenguaje (VLM/MLLM): artículos, diagramas, recetas de entrenamiento, conjuntos de datos y una cronología de lanzamientos de agentes de IA multimodales.
Marco totalmente abierto para el entrenamiento multimodal democratizado
OpenEMMA, una "reproducción" de código abierto con licencia permisiva del modelo EMMA de Waymo.
[NeurIPS' 2025] JarvisArt: Liberando la creatividad artística humana a través de un agente inteligente de retoque fotográfico
[CVPR2024] El código para "Osprey: Pixel Understanding with Visual Instruction Tuning"
[NeurIPS 2025] 4KAgent: Agentic Any Image to 4K Super-Resolution. ¡Un agente inteligente de visión por computadora que puede restaurar mágicamente cualquier imagen a 4K perfectos!
[NeurIPS 2025 spotlight] Implementación oficial de "FutureSightDrive: Pensando visualmente con CoT espaciotemporal para la conducción autónoma"
🚀🚀🚀Una colección de algunos proyectos públicos impresionantes sobre Modelos de Lenguaje Grandes (LLM), Modelos de Visión y Lenguaje (VLM), Acción Visión-Lenguaje (VLA), Contenido Generado por IA (AIGC), los Datasets y Aplicaciones relacionados.
Este es un repositorio para listar artículos sobre generación y aplicación de grafos de escena.
Proyecto Personal: MPP-Qwen14B & MPP-Qwen-Next (Pipeline Paralelo Multimodal basado en Qwen-LM). Soporta [video/imagen/multi-imagen] {sft/conversations}. ¡No dejes que la pobreza limite tu imaginación! Entrena tu propio MLLM 8B/14B similar a LLaVA-training en RTX3090/4090 24GB.
✨✨Woodpecker: Corrección de alucinaciones para modelos lingüísticos grandes multimodales
[ICLR 2025] FakeShield: Detección y localización explicable de falsificación de imágenes mediante modelos de lenguaje grandes multimodales
Emotion-LLaMA: Reconocimiento y Razonamiento Emocional Multimodal con Ajuste de Instrucciones
[ICLR2026] Implementación oficial para "JanusVLN: Desacoplando Semántica y Espacialidad con Memoria Implícita Dual para Navegación Visión-Lenguaje"
Nodos de ComfyUI para modelos de visión-lenguaje: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Además de detección de vocabulario abierto, segmentación SAM2/SAM3, razonamiento temporal de video, GGUF a través de llama.cpp y APIs de LLM/VLM alojadas.
[ECCV2024] Modelo de Lenguaje Grande Multimodal Fundamentado con Tokenización Visual Localizada
NeurIPS 2024 Paper: Un LLM visual unificado a nivel de píxeles para comprender, generar, segmentar y editar
Código oficial de OpenVLHarness: uso de herramientas por agentes visuales en el mundo real con memoria multimodal
Modelado multimodal impresionante [Cubre MLLM, UMM y NMM]
🔥🔥🔥 Una lista curada de artículos sobre generación multimodal basada en LLM (imagen, video, 3D y audio).
Un motor de inferencia puro en Rust para LLM, VLM, VLA, TTS y OCR, impulsado por Candle y Rust. Una alternativa a llama.cpp, mucho más sencilla y limpia.
[Awesome-Spatial-VLMs] Este repositorio es el recurso oficial, mantenido por la comunidad, para el artículo de revisión: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey;
Preguntas frecuentes
¿Cuál es el repositorio de #mllm más popular en GitHub?
El proyecto de código abierto de #mllm mejor posicionado en GitHub es microsoft/unilm, con 22,247 estrellas. Entrenamiento previo auto-supervisado a gran escala a través de tareas, idiomas y modalidades
¿Qué lenguajes de programación se utilizan más en los repositorios de #mllm?
Entre los proyectos de #mllm mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, Markdown, JavaScript.
¿Cómo se calcula la clasificación de los repositorios de #mllm?
Seguimos 39 repositorios activos de código abierto etiquetados con #mllm (500+ estrellas), que suman un total de 95,941 estrellas, con una media de 2,460 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.