#vision-language-model Repositorios
Descubre 82 repositorios activos de código abierto de GitHub etiquetados con #vision-language-model, que acumulan 263,383 estrellas en total (una media de 3,211 estrellas por proyecto). El líder de este tema es haotian-liu/LLaVA, con 24,232 estrellas.
82 repositorios en total
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) se construyó para capacidades de nivel GPT-4V y superiores.
OCR, análisis de diseño, orden de lectura, reconocimiento de tablas en más de 90 idiomas
Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.
Modelo de OCR que maneja tablas complejas, formularios y escritura a mano con diseño completo.
X-AnyLabeling: Una aplicación de escritorio multiplataforma, ligera, eficiente y unificada para anotar texto, imágenes, vídeos, nubes de puntos y datos multimodales. Combina herramientas integradas versátiles con modelos de IA de última generación y opciones flexibles de exportación en múltiples formatos.
[CVPR 2024 Oral] InternVL Family: Una alternativa pionera de código abierto a GPT-4o. Un modelo de diálogo multimodal de código abierto con un rendimiento cercano a GPT-4o.
Análisis de diseño de documentos multilingües en un único modelo de visión y lenguaje
Implementación oficial del código de la Teoría General de OCR: Hacia OCR-2.0 a través de un modelo unificado de extremo a extremo
El repositorio oficial de Qwen-VL (通义千问-VL) chat & modelo de lenguaje visual grande preentrenado propuesto por Alibaba Cloud.
MLX-VLM es un paquete para la inferencia y el ajuste fino de Vision Language Models (VLM) en tu Mac usando MLX.
MineContext es su socio de IA proactivo y consciente del contexto (Context-Engineering+ChatGPT Pulse)
DeepSeek-VL2: Modelos de Visión-Lenguaje Mixture-of-Experts para la Comprensión Multimodal Avanzada
Align Anything: Entrenamiento de un modelo multimodal con retroalimentación
Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio
Qwen3.8 es una serie de modelos de lenguaje de gran escala desarrollada por el equipo de Qwen de Alibaba Group.
El repositorio oficial de MiniMax-Text-01 y MiniMax-VL-01, modelo de lenguaje grande y modelo visión-lenguaje basado en atención lineal
La navaja suiza de la IA offline. Chatea, mira, habla y genera imágenes en tu teléfono o Mac: modelos GGUF, visión, conversión de voz a texto con Whisper, Stable Diffusion, llamadas a herramientas y servidores de red local. Funciona en tu CPU, GPU o NPU. Sin cuenta, sin clave API, ningún dato sale de tu dispositivo.
Repositorio oficial para "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"
Colección de impresionantes modelos de visión-lenguaje para tareas de visión
InternLM-XComposer2.5-OmniLive: Un sistema multimodal completo para interacciones de audio y video en streaming a largo plazo
El código utilizado para entrenar y ejecutar inferencias con los modelos ColVision, por ejemplo, ColPali, ColQwen2 y ColSmol.
El framework Cradle es un primer intento de Control General por Computadora (GCC). Cradle ayuda a los agentes a sobresalir en cualquier tarea informática al permitir sólidas capacidades de razonamiento, auto-mejora y curación de habilidades, en un entorno general estandarizado con requisitos mínimos.
El Blueprint de IA de NVIDIA para búsqueda y resumen de video (VSS) es una arquitectura de referencia acelerada por GPU para construir agentes de análisis de video con alertas verificadas en tiempo real, preguntas y respuestas visuales, e informes automatizados. El Blueprint VSS utiliza modelos de lenguaje visual (VLM) como NVIDIA Cosmos, LLM como NVIDIA Nemotron, RAG y NVIDIA NIM.
Una implementación de código abierto para ajustar la serie Qwen-VL de Alibaba Cloud.
[CVPR 2025] Modelo open-source, end-to-end, Visión-Lenguaje-Acción para Agentes GUI y Uso de Computadoras.
Una lista curada de recursos increíbles LLM/VLM/VLA/Molde Mundial para Conducción Autónoma (LLM4AD) (actualizada continuamente)
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.
【ICML 2025 Spotlight】 Repositorio oficial del artículo “HealthGPT: Un modelo de lenguaje visual médico a gran escala para unificar la comprensión y la generación a través de la adaptación de conocimiento heterogéneo”
Servidor de inferencia de LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. MLX nativo, procesamiento por lotes continuo, modelos multimodales, llamadas a herramientas MCP y soporte para Claude Code.
Seed1.5-VL, un modelo de base de visión y lenguaje diseñado para avanzar en la comprensión y el razonamiento multimodal de propósito general, logrando un rendimiento de vanguardia en 38 de los 60 puntos de referencia públicos.
Una novedosa arquitectura de Modelo de Lenguaje Grande Multimodal (MLLM), diseñada para alinear estructuralmente incrustaciones visuales y textuales.
Obtenga datos limpios de documentos complicados, impulsados por modelos de visión y lenguaje ⚡
[ICCV 2025] Implementación para Describe Anything: Subtitulado detallado y localizado de imágenes y videos
Ajusta finamente LLMs en tu Mac con Apple Silicon. SFT, DPO, GRPO, Visión, TTS, STT, Embedding y ajuste fino de OCR — de forma nativa en MLX. API compatible con Unsloth.
La implementación de "Prismer: un modelo de visión y lenguaje con expertos multitarea".
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
Marco totalmente abierto para el entrenamiento multimodal democratizado
Kimi-VL: Modelo Visión-Lenguaje de Mezcla de Expertos para Razonamiento Multimodal, Comprensión de Largo Contexto y Fuertes Capacidades de Agente
Esta serie lo llevará en un viaje desde los fundamentos del Procesamiento del Lenguaje Natural (PLN) y la Visión por Computadora hasta la vanguardia de los Modelos de Visión y Lenguaje.
Un Modelo Generalista Transparente hacia la Comprensión Holística Visión-Lenguaje Médica
[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), el primer modelo de su tipo capaz de generar respuestas en lenguaje natural que se integran perfectamente con máscaras de segmentación de objetos.
Preguntas frecuentes
¿Cuál es el repositorio de #vision-language-model más popular en GitHub?
El proyecto de código abierto de #vision-language-model mejor posicionado en GitHub es haotian-liu/LLaVA, con 24,232 estrellas. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) se construyó para capacidades de nivel GPT-4V y superiores.
¿Qué lenguajes de programación se utilizan más en los repositorios de #vision-language-model?
Entre los proyectos de #vision-language-model mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, TypeScript, C++.
¿Cómo se calcula la clasificación de los repositorios de #vision-language-model?
Seguimos 82 repositorios activos de código abierto etiquetados con #vision-language-model (500+ estrellas), que suman un total de 263,383 estrellas, con una media de 3,211 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.