Git Stars Git Stars

#multimodal Repositorios

183
Total de Repositorios
700,629
Total de estrellas
3,828
Promedio de Estrellas/Repo

183 repositorios en total

51
docarray/docarray

Representar, enviar, almacenar y buscar datos multimodales

docarray
⭐ 3,123 Python 👤 docarray Organization 🕐 Actualizado 2026-03-27 📅 Creado 2021-12-14
52
InternLM/InternLM-XComposer

InternLM-XComposer2.5-OmniLive: Un sistema multimodal completo para interacciones de audio y video en streaming a largo plazo

InternLM
⭐ 2,925 Python 👤 InternLM Organization 🕐 Actualizado 2025-05-26 📅 Creado 2023-09-26
53
datachain-ai/datachain

La capa de contexto para datos no estructurados: conjuntos de datos tipados y versionados sobre S3, GCS, Azure

datachain-ai
⭐ 2,831 Python 👤 datachain-ai Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-06-25
54
autodistill/autodistill

Imágenes para inferencia sin etiquetado (utilice modelos fundacionales para entrenar modelos supervisados).

autodistill
⭐ 2,802 Python 👤 autodistill Organization 🕐 Actualizado 2026-09-29 📅 Creado 2023-06-06
55
rom1504/clip-retrieval

Calcule fácilmente incrustaciones (embeddings) de clips y cree un sistema de recuperación de clips con ellas

rom1504
⭐ 2,799 Jupyter Notebook 👤 rom1504 User 🕐 Actualizado 2026-03-28 📅 Creado 2021-06-07
56
roboflow/maestro

Optimizar el proceso de ajuste fino para modelos multimodales: PaliGemma 2, Florence-2 y Qwen2.5-VL

roboflow
⭐ 2,696 Python 👤 roboflow Organization 🕐 Actualizado 2026-11-16 📅 Creado 2023-11-24
57
genieincodebottle/generative-ai

Recursos integrales sobre IA generativa, que incluyen una hoja de ruta detallada, proyectos, casos de uso, preparación para entrevistas y preparación de codificación.

genieincodebottle
⭐ 2,675 Jupyter Notebook 👤 genieincodebottle User 🕐 Actualizado 2026-11-09 📅 Creado 2024-01-09
58
om-ai-lab/OmAgent

[EMNLP-2024] Construcción de agentes de lenguaje multimodal para prototipos rápidos y producción

om-ai-lab
⭐ 2,670 Python 👤 om-ai-lab Organization 🕐 Actualizado 2026-10-16 📅 Creado 2024-07-04
59
OFA-Sys/OFA

Repositorio oficial de OFA (ICML 2022). Paper: OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

OFA-Sys
⭐ 2,550 Python 👤 OFA-Sys Organization 🕐 Actualizado 2024-04-24 📅 Creado 2022-01-29
60
X-PLUG/mPLUG-Owl

mPLUG-Owl: La potente familia de grandes modelos de lenguaje multimodales

X-PLUG
⭐ 2,541 Python 👤 X-PLUG Organization 🕐 Actualizado 2025-04-02 📅 Creado 2023-04-25
61
InternLM/HuixiangDou

HuixiangDou: Superación de escenarios de chat grupal con asistencia técnica basada en LLM

InternLM
⭐ 2,500 Python 👤 InternLM Organization 🕐 Actualizado 2025-11-24 📅 Creado 2023-12-28
62
AI-Efficiency/Awesome-Model-Quantization

Una colección seleccionada de artículos, benchmarks, revisiones y herramientas sobre la cuantización de modelos, que abarca redes de pocos bits, LLM, modelos multimodales y generativos, cuantización vectorial y de retícula, y despliegue eficiente.

AI-Efficiency
⭐ 2,471 👤 AI-Efficiency Organization 🕐 Actualizado 2026-11-16 📅 Creado 2018-10-18
63
Yutong-Zhou-cv/Awesome-Text-to-Image

(ෆ`꒳´ෆ) Una encuesta sobre la generación/síntesis de texto a imagen.

Yutong-Zhou-cv
⭐ 2,444 👤 Yutong-Zhou-cv User 🕐 Actualizado 2026-11-03 📅 Creado 2020-10-13
64
Stability-AI/stability-sdk

SDK para interactuar con las API de stability.ai (por ejemplo, inferencia de difusión estable)

Stability-AI
⭐ 2,436 Jupyter Notebook 👤 Stability-AI Organization 🕐 Actualizado 2026-05-14 📅 Creado 2022-08-22
65
Turbo1123/roubao

Roubao 2.0 para iPhone: agente de IA de iOS de código abierto con control de la interfaz de Micro-X autorizado por el propietario, modelos personalizados, tareas reanudables e informes PDF. No requiere Wi-Fi, jailbreak, ordenador ni hardware adicional durante el uso (para la configuración se necesita un Mac y un cable USB). Se mantiene la versión heredada para Android.

Turbo1123
⭐ 2,422 Swift 👤 Turbo1123 User 🕐 Actualizado 2026-11-09 📅 Creado 2025-12-09
66
OpenGVLab/InternVideo

[ECCV2024] Modelos Fundamentales de Video y Datos para la Comprensión Multimodal

OpenGVLab
⭐ 2,421 Python 👤 OpenGVLab Organization 🕐 Actualizado 2026-07-02 📅 Creado 2022-11-23
67
NVIDIA-NeMo/DataDesigner

🎨 NeMo Data Designer: Genera datos sintéticos de alta calidad desde cero o desde datos semilla.

NVIDIA-NeMo
⭐ 2,419 Python 👤 NVIDIA-NeMo Organization 🕐 Actualizado 2026-11-21 📅 Creado 2025-10-16
68
X-PLUG/mPLUG-DocOwl

mPLUG-DocOwl: Modelo de lenguaje grande multimodal modularizado para la comprensión de documentos

X-PLUG
⭐ 2,407 Python 👤 X-PLUG Organization 🕐 Actualizado 2025-05-30 📅 Creado 2023-07-04
69
HUANGCHIHHUNGLeo/claude-real-video

Permite que Claude (o cualquier LLM) realmente vea un video: fotogramas con detección de escenas y sin duplicados + transcripción, desde una URL o archivo local. Se ejecuta localmente, MIT.

HUANGCHIHHUNGLeo
⭐ 2,329 Python 👤 HUANGCHIHHUNGLeo User 🕐 Actualizado 2026-11-20 📅 Creado 2026-06-30
70
google-gemini/genai-processors

GenAI Processors es una biblioteca Python ligera que permite el procesamiento de contenido eficiente y paralelo.

google-gemini
⭐ 2,125 Python 👤 google-gemini Organization 🕐 Actualizado 2026-11-10 📅 Creado 2025-04-29
71
fikrikarim/parlor

IA multimodal en tiempo real y en el dispositivo con funciones similares a GPT-Live

fikrikarim
⭐ 2,117 Python 👤 fikrikarim User 🕐 Actualizado 2026-08-03 📅 Creado 2026-04-05
72
showlab/Show-o

[ICLR & NeurIPS 2025] Repositorio para la serie Show-o, un único Transformer para unificar la comprensión y generación multimodales.

showlab
⭐ 1,988 Python 👤 showlab Organization 🕐 Actualizado 2026-01-08 📅 Creado 2024-08-09
73
2U1/Qwen-VL-Series-Finetune

Una implementación de código abierto para ajustar la serie Qwen-VL de Alibaba Cloud.

2U1
⭐ 1,983 Python 👤 2U1 User 🕐 Actualizado 2026-09-09 📅 Creado 2024-09-10
74
kyegomez/BitNet

Implementación de "BitNet: Escalado de transformadores de 1 bit para modelos de lenguaje grandes" en PyTorch

kyegomez
⭐ 1,949 Python 👤 kyegomez User 🕐 Actualizado 2026-11-16 📅 Creado 2023-10-18
75
sgl-project/sglang-omni

Entorno de ejecución de alto rendimiento para servir sistemas de superinteligencia interactivos

sgl-project
⭐ 1,882 Python 👤 sgl-project Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-01-07
76
AlibabaResearch/AdvancedLiterateMachinery

Una colección de ideas y algoritmos originales e innovadores para Maquinaria Literaria Avanzada. Este proyecto es mantenido por el Equipo OCR en el Language Technology Lab, Tongyi Lab, Alibaba Group.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Actualizado 2026-03-17 📅 Creado 2022-09-28
77
potamides/DeTikZify

Sintetizando programas gráficos para figuras científicas y bocetos con TikZ.

potamides
⭐ 1,831 Python 👤 potamides User 🕐 Actualizado 2026-09-17 📅 Creado 2023-11-27
78
Tencent/WeMM-Embedding

WeMM-Embedding es una familia de modelos universales de incrustación multimodal desarrollados por el equipo de WeChat Vision de Tencent, que admite la comprensión y recuperación multimodal.

Tencent
⭐ 1,824 Python 👤 Tencent Organization 🕐 Actualizado 2026-10-29 📅 Creado 2026-08-25
79
alan-ai/alan-sdk-android

El Sistema de Auto-Codificación para Tu App — Alan AI SDK para Android

alan-ai
⭐ 1,815 👤 alan-ai Organization 🕐 Actualizado 2025-04-22 📅 Creado 2019-10-01
⭐ 1,795 Python 👤 microsoft Organization 🕐 Actualizado 2026-11-02 📅 Creado 2026-06-15
81
alan-ai/alan-sdk-flutter

El sistema de autoscodificación para tu aplicación — Alan AI SDK para Flutter

alan-ai
⭐ 1,768 Ruby 👤 alan-ai Organization 🕐 Actualizado 2025-04-22 📅 Creado 2020-04-22
82
pixeltable/pixeltable

Los agentes de backend se construyen con: base de datos multimodal, orquestación y servicio en un solo archivo

pixeltable
⭐ 1,664 Python 👤 pixeltable Organization 🕐 Actualizado 2026-11-21 📅 Creado 2023-05-10
83
alan-ai/alan-sdk-ionic

El sistema de autocodificación para tu aplicación — Alan AI SDK para Ionic

alan-ai
⭐ 1,661 TypeScript 👤 alan-ai Organization 🕐 Actualizado 2025-04-22 📅 Creado 2020-04-24
84
UbiquitousLearning/mllm

LLM multimodales rápidos en dispositivos móviles

UbiquitousLearning
⭐ 1,643 C++ 👤 UbiquitousLearning User 🕐 Actualizado 2026-09-30 📅 Creado 2023-08-30
85
verl-project/verl-omni

Marco de entrenamiento de RL multimodal para modelos de difusión y omni

verl-project
⭐ 1,560 Python 👤 verl-project Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-04-21
86
ATH-MaaS/Ovis

Una novedosa arquitectura de Modelo de Lenguaje Grande Multimodal (MLLM), diseñada para alinear estructuralmente incrustaciones visuales y textuales.

ATH-MaaS
⭐ 1,536 Python 👤 ATH-MaaS Organization 🕐 Actualizado 2026-07-15 📅 Creado 2024-06-13
87
valentinfrlch/ha-llmvision

Inteligencia visual para tu hogar.

valentinfrlch
⭐ 1,535 Python 👤 valentinfrlch User 🕐 Actualizado 2026-11-12 📅 Creado 2024-05-14
88
emcf/thepipe

Obtenga datos limpios de documentos complicados, impulsados por modelos de visión y lenguaje ⚡

emcf
⭐ 1,529 Python 👤 emcf User 🕐 Actualizado 2026-09-28 📅 Creado 2024-03-22
89
jordanrendric/claude-video-vision

Otorga a Claude la capacidad de ver y comprender videos — complemento Claude Code con extracción de fotogramas y análisis multimodal de audio

jordanrendric
⭐ 1,523 TypeScript 👤 jordanrendric User 🕐 Actualizado 2026-10-14 📅 Creado 2026-03-31
90
llm-jp/awesome-japanese-llm

Resumen de LLM japoneses - Descripción general de LLM japoneses

llm-jp
⭐ 1,446 TypeScript 👤 llm-jp Organization 🕐 Actualizado 2026-11-09 📅 Creado 2023-07-09
91
xtreme1-io/xtreme1

Xtreme1 es una plataforma todo en uno de etiquetado y anotación de datos para entrenamiento de datos multimodales y admite nubes de puntos 3D LiDAR, imágenes y LLM.

xtreme1-io
⭐ 1,395 TypeScript 👤 xtreme1-io Organization 🕐 Actualizado 2026-09-29 📅 Creado 2022-08-08
92
dailenson/SDT

Este repositorio es la implementación oficial de Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)

dailenson
⭐ 1,393 Python 👤 dailenson User 🕐 Actualizado 2025-06-26 📅 Creado 2023-03-22
93
gokayfem/awesome-vlm-architectures

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.

gokayfem
⭐ 1,368 Markdown 👤 gokayfem User 🕐 Actualizado 2026-10-27 📅 Creado 2024-02-15
94
Capsize-Games/airunner

Motor de inferencia sin conexión para arte, conversaciones de voz en tiempo real, chatbots impulsados por LLM y flujos de trabajo automatizados

Capsize-Games
⭐ 1,317 Python 👤 Capsize-Games Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-03-21
95
ysr666/dsh-vision-router

Visión para agentes de DeepSeek Harness que solo trabajan con texto: cadena de visión gratuita integrada (sin clave) + herramientas de visión a nivel de píxel (preguntas y respuestas, grounding, recorte, diferencia de píxeles, colores, OCR, trazado SVG, recorte de objetos y capturas de pantalla). Instalación con un solo comando, sin Python; los turnos con imágenes funcionan como los turnos normales de llamada a herramientas.

ysr666
⭐ 1,294 JavaScript 👤 ysr666 User 🕐 Actualizado 2026-11-21 📅 Creado 2026-08-13
96
Anionex/agent-vision-toolkit

Diseñe un mejor kit de herramientas y habilidades visuales para que los modelos de solo texto "vean" imágenes, admitiendo comprensión de múltiples imágenes, preguntas y respuestas sobre imágenes, restauración de UI frontend, automatización de GUI, etc., con integración opcional y sin problemas con múltiples agentes principales, y reconocimiento directo de imágenes pegadas | Un kit de herramientas y habilidades visuales diseñado para LLM de solo texto: preguntas y respuestas sobre imágenes, OCR de capturas de pantalla largas, restauración de UI frontend y automatización de GUI, con integración opcional y sin problemas para Codex, Claude Code, Pi, Oh My Pi y OpenCode

Anionex
⭐ 1,267 Python 👤 Anionex User 🕐 Actualizado 2026-10-13 📅 Creado 2026-08-01
97
unum-cloud/UForm

Entrenamiento e inferencia distribuidos para la percepción multimodal: embeddings compartidos para texto, imágenes, vídeo, audio, código y grafos, de 64 a 1024 dimensiones 🖼️

unum-cloud
⭐ 1,253 Cuda 👤 unum-cloud Organization 🕐 Actualizado 2026-11-18 📅 Creado 2023-02-21
98
Zen4-bit/Proxima

Servidor MCP Multi-AI - Conecta ChatGPT, Claude, Gemini y Perplexity a tus herramientas de codificación sin ninguna API

Zen4-bit
⭐ 1,220 JavaScript 👤 Zen4-bit User 🕐 Actualizado 2026-11-20 📅 Creado 2026-02-02
99
nv-tlabs/LLaMA-Mesh

Unificación de la generación de mallas 3D con modelos de lenguaje

nv-tlabs
⭐ 1,153 Python 👤 nv-tlabs Organization 🕐 Actualizado 2025-03-28 📅 Creado 2024-11-14
100
OpenMOSS/MOVA

Un modelo fundacional que genera video y audio sincronizados en un solo modelo

OpenMOSS
⭐ 1,151 Python 👤 OpenMOSS Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-01-28