#multimodal-ai Repositorios
Descubre 191 repositorios activos de código abierto de GitHub etiquetados con #multimodal-ai, que acumulan 589,873 estrellas en total (una media de 3,088 estrellas por proyecto). El líder de este tema es anthropics/claude-cookbooks, con 54,935 estrellas.
191 repositorios en total
Una colección de cuadernos/recetas que muestran algunas formas divertidas y efectivas de usar Claude.
Aplicación de escritorio de código abierto para LLM locales. Texto, visión, llamada a herramientas, API compatible con OpenAI/Anthropic. 100% privada.
Una galería que muestra casos de uso de ML/GenAI en el dispositivo y permite a las personas probar y utilizar modelos localmente.
Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.
🚀 Kit de herramientas de IA de código abierto (humano digital) para generación de video sin conexión y clonación de humanos digitales.
Modelos Fundamentales para Traducción de Voz y Texto de Última Generación
Un toolkit completo para la extracción de contenido PDF de alta calidad
Qwen-Image es un potente modelo fundamental de generación de imágenes capaz de renderizar texto complejo y editar imágenes con precisión.
El adaptador de indicaciones de imagen está diseñado para permitir que un modelo de difusión preentrenado de texto a imagen genere imágenes con una indicación de imagen.
Demostración de cámara web en tiempo real con SmolVLM y servidor llama.cpp
Puerta de enlace y catálogo de modelos oficial de Agnes AI para flujos de trabajo de texto, imagen, video y agentes compatibles con OpenAI.
DeepSeek-VL2: Modelos de Visión-Lenguaje Mixture-of-Experts para la Comprensión Multimodal Avanzada
Hunyuan-DiT: Un potente Transformer de difusión multirresolución con comprensión detallada del chino
OmniGen2: Exploración hacia la Generación Multimodal Avanzada. https://arxiv.org/abs/2506.18871
El SDK de Python Gen AI de Google proporciona una interfaz para que los desarrolladores integren los modelos generativos de Google en sus aplicaciones Python.
Qwen2.5-Omni es un modelo multimodal de extremo a extremo del equipo Qwen de Alibaba Cloud, capaz de comprender texto, audio, visión, video y realizar generación de voz en tiempo real.
Implementación oficial de "Razonamiento multimodal de cadena de pensamiento en modelos de lenguaje" (mantente atento y se actualizarán más cosas)
Nano Banana (nanobanana), GPT-5 (GPT5), GPT-4o (GPT4o) Prompts de Imagen, Prompts Nanobanana, prompts nanobanana
FlagAI (Fast LArge-scale General AI models) es un toolkit rápido, fácil de usar y extensible para modelos a gran escala.
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.
¡Mi gran colección de ideas creativas de nano-banana! ¡Actualización continua!
Sistema de Conversación con Avatar Digital - Linly-Talker. 😄✨ Linly-Talker es un sistema de IA inteligente que combina modelos de lenguaje grandes (LLM) con modelos visuales para crear un novedoso método de interacción humano-IA. 🤝🤖 Integra diversas tecnologías como Whisper, Linly, Microsoft Speech Services y el sistema de generación de cabezas parlantes SadTalker. 🌟🔬
🔥🔥🔥 [IEEE TCSVT] Últimos artículos, códigos y conjuntos de datos sobre Vid-LLMs.
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.
Mano-P: Agente GUI-VLA de código abierto para dispositivos de borde. #1 en OSWorld (especializado, 58.2%). Se ejecuta localmente en Apple M4 Mac mini/MacBook — ningún dato sale de tu dispositivo. Mano-P es un proyecto GUI-VLA de código abierto que soporta ejecución local en Mac mini/MacBook o mediante una barra de cómputo, realizando operaciones de automatización GUI multiplataforma impulsadas puramente por visión. Los datos se procesan completamente de forma local, soporta planificación y ejecución de tareas complejas de múltiples pasos.
[NeurIPS 2025] OmniSVG es la primera familia de generadores SVG multimodales de extremo a extremo que aprovechan los Modelos de Visión y Lenguaje (VLM) preentrenados, capaces de generar SVG complejos y detallados, desde iconos simples hasta intrincados personajes de anime.
Una colección de cosas IMPRESIONANTES sobre LLM relacionados con grafos.
¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!
Preguntas frecuentes
¿Cuál es el repositorio de #multimodal-ai más popular en GitHub?
El proyecto de código abierto de #multimodal-ai mejor posicionado en GitHub es anthropics/claude-cookbooks, con 54,935 estrellas. Una colección de cuadernos/recetas que muestran algunas formas divertidas y efectivas de usar Claude.
¿Qué lenguajes de programación se utilizan más en los repositorios de #multimodal-ai?
Entre los proyectos de #multimodal-ai mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, Kotlin.
¿Cómo se calcula la clasificación de los repositorios de #multimodal-ai?
Seguimos 191 repositorios activos de código abierto etiquetados con #multimodal-ai (500+ estrellas), que suman un total de 589,873 estrellas, con una media de 3,088 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.