#multimodal Repositorios
Descubre 183 repositorios activos de código abierto de GitHub etiquetados con #multimodal, que acumulan 700,629 estrellas en total (una media de 3,828 estrellas por proyecto). El líder de este tema es Mintplex-Labs/anything-llm, con 68,480 estrellas.
183 repositorios en total
Deja de alquilar tu inteligencia. Posee con AnythingLLM. Todo lo que necesitas para una potente experiencia de agente local
"Comprensión profunda de los agentes de IA: principios de diseño y práctica de ingeniería" (por Bojie Li) Repositorio principal de código abierto: texto completo, PDF compilado y código complementario por capítulos.
El Stack de Agentes IA Multimodales de Código Abierto: Conectando Modelos de IA de Vanguardia e Infraestructura de Agentes
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) se construyó para capacidades de nivel GPT-4V y superiores.
YC (S26) | Screenpipe encuentra el trabajo que merece automatizarse | Registra continuamente el trabajo que realizas en el ordenador, descubre flujos de trabajo recurrentes y entrega el resultado a cualquier agente que ya utilices.
Entrenamiento previo auto-supervisado a gran escala a través de tareas, idiomas y modalidades
Utiliza PEFT o entrenamiento con todos los parámetros para aplicar CPT/SFT/DPO/GRPO a más de 600 LLM (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) y más de 300 MLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
🔍Desarrollo práctico de aplicaciones de modelos grandes Parte 1: Guía Full Stack de la tecnología RAG, dirección de lectura en línea: https://datawhalechina.github.io/all-in-rag/
https://arxiv.org/abs/2606.28344. El fin del análisis web. El comienzo de la búsqueda nativa de píxeles escalable. enlace: https://pixelrag.ai/
Kit de herramientas listo para producción para ejecutar IA localmente
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.
SeaTunnel es una herramienta de integración de datos masivos, multimodal, de alto rendimiento y distribuida.
Deeplake es una AI Data Runtime para Agents. Proporciona Postgres sin servidor con un datalake multimodal, permitiendo recuperación y entrenamiento escalables.
La forma más fácil de servir aplicaciones y modelos de IA - ¡Construye APIs de inferencia de modelo, colas de trabajos, apps LLM, pipelines multi-modelo y más!
Una biblioteca de texto a voz (TTS), voz a texto (STT) y voz a voz (STS) construida sobre el framework MLX de Apple, que proporciona un análisis de voz eficiente en Apple Silicon.
Un marco para la inferencia de modelo eficiente con modelos de omnimodalidad
Marco de código abierto para construir aplicaciones de agentes en JavaScript, Go, Dart y Python, construido y utilizado en producción por Google
Busca en tu ordenador según el contenido de tus archivos: fotos, PDF, documentos, grabaciones, vídeos y código. Se ejecuta en el dispositivo en Mac, Windows y Linux, y está basado en EmbeddingGemma 2 de Google DeepMind.
Notas para ingenieros de software que se ponen al día sobre los nuevos desarrollos en IA. Sirve como almacén de datos para la escritura y la lluvia de ideas sobre productos en https://latent.space, pero tiene referencias canónicas limpias en la carpeta /Resources.
Este repositorio es una colección curada de enlaces a varios cursos y recursos sobre Inteligencia Artificial (IA)
Motor de datos de alto rendimiento para cargas de trabajo de IA y multimodales. Procese imágenes, audio, video y datos estructurados a cualquier escala.
Un patio de juegos visual para flujos de trabajo de agentes: Itera sobre tus agentes 10 veces más rápido
Un framework MCP de bajo código para construir pipelines RAG complejos e innovadores
Un marco modular para la investigación multimodal de visión y lenguaje de Facebook AI Research (FAIR)
Un motor de entrenamiento de próxima generación diseñado para modelos MoE ultragrandes
El primer complemento de visión para DeepSeek Harness, y el puente de visión para cada agente de codificación solo de texto. Pega una imagen, obtén evidencia JSON estructurada (OCR, diseño, semántica).
Align Anything: Entrenamiento de un modelo multimodal con retroalimentación
Implementación Plug and Play de "Tree of Thoughts": Resolución deliberada de problemas con modelos de lenguaje grandes que eleva el razonamiento del modelo en al menos un 70%
Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio
Convierta fácilmente grandes conjuntos de URL de imágenes en un conjunto de datos de imágenes. Puede descargar, cambiar el tamaño y empaquetar 100 millones de URL en 20 horas en una sola máquina.
Tutoriales y recursos seleccionados para Modelos de Lenguaje Grandes, Pintura con IA y más.
Una familia de modelos de código abierto para síntesis de voz de larga duración, síntesis de diálogos, diseño de voces, efectos de sonido y TTS en streaming en tiempo real
Fengshenbang-LM (封神榜大模型) es un sistema de grandes modelos de código abierto liderado por el Centro de Investigación de Computación Cognitiva y Procesamiento del Lenguaje Natural del Instituto IDEA, que se convierte en la infraestructura para el AIGC chino y la inteligencia cognitiva.
[ICML'26] SimpleMem: Memoria eficiente de por vida para agentes de LLM — Texto y multimodal
Desde el prompting Chain-of-Thought hasta OpenAI o1 y DeepSeek-R1 🍓
Código y modelos para el artículo de ICML 2024, NExT-GPT: Modelo de lenguaje grande multimodal de cualquiera a cualquiera
MTEB: Evaluación de vanguardia de embeddings en múltiples idiomas y modalidades
🤖 SDK de IA en TypeScript, con seguridad de tipos y agnóstico al proveedor, para chat en streaming, llamadas a herramientas, agentes y aplicaciones multimodales en OpenAI, Anthropic, Gemini, React, Vue, Svelte y Solid.
Un framework extensible y de vanguardia para compresión columnar, y el formato de archivo columnar FOSS más rápido. Anteriormente en @spiraldb, ahora un proyecto en etapa de incubación en LFAI&Data, parte de la Linux Foundation.
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
InternGPT (iGPT) es una plataforma de demostración de código abierto donde puedes mostrar fácilmente tus modelos de IA. Ahora admite DragGAN, ChatGPT, ImageBind, chat multimodal como GPT-4, SAM, edición interactiva de imágenes, etc. Pruébalo en igpt.opengvlab.com (sistema de demostración en línea que admite DragGAN, ChatGPT, ImageBind, SAM).
Preguntas frecuentes
¿Cuál es el repositorio de #multimodal más popular en GitHub?
El proyecto de código abierto de #multimodal mejor posicionado en GitHub es Mintplex-Labs/anything-llm, con 68,480 estrellas. Deja de alquilar tu inteligencia. Posee con AnythingLLM. Todo lo que necesitas para una potente experiencia de agente local
¿Qué lenguajes de programación se utilizan más en los repositorios de #multimodal?
Entre los proyectos de #multimodal mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, TypeScript, Rust, C++.
¿Cómo se calcula la clasificación de los repositorios de #multimodal?
Seguimos 183 repositorios activos de código abierto etiquetados con #multimodal (500+ estrellas), que suman un total de 700,629 estrellas, con una media de 3,828 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.