Git Stars Git Stars

#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
Total de Repositorios
263,383
Total de estrellas
3,211
Promedio de Estrellas/Repo

82 repositorios en total

1
haotian-liu/LLaVA

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) se construyó para capacidades de nivel GPT-4V y superiores.

haotian-liu
⭐ 24,232 Python 👤 haotian-liu User 🕐 Actualizado 2024-08-12 📅 Creado 2023-04-17
2
datalab-to/surya

OCR, análisis de diseño, orden de lectura, reconocimiento de tablas en más de 90 idiomas

datalab-to
⭐ 21,608 Python 👤 datalab-to Organization 🕐 Actualizado 2026-11-13 📅 Creado 2024-01-10
3
QwenLM/Qwen3-VL

Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.

QwenLM
⭐ 20,240 Jupyter Notebook 👤 QwenLM Organization 🕐 Actualizado 2026-01-30 📅 Creado 2024-08-29
4
datalab-to/chandra

Modelo de OCR que maneja tablas complejas, formularios y escritura a mano con diseño completo.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Actualizado 2026-11-16 📅 Creado 2025-10-08
5
CVHub520/X-AnyLabeling

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.

CVHub520
⭐ 11,004 Python 👤 CVHub520 User 🕐 Actualizado 2026-11-18 📅 Creado 2023-05-23
6
m87-labs/moondream

pequeño modelo de lenguaje de visión

m87-labs
⭐ 10,167 Python 👤 m87-labs Organization 🕐 Actualizado 2026-04-20 📅 Creado 2023-12-29
7
OpenGVLab/InternVL

[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.

OpenGVLab
⭐ 10,160 Python 👤 OpenGVLab Organization 🕐 Actualizado 2025-09-22 📅 Creado 2023-11-22
8
studio-dots-ai/dots.ocr

Análisis de diseño de documentos multilingües en un único modelo de visión y lenguaje

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 Actualizado 2026-03-24 📅 Creado 2025-07-30
9
jingyaogong/minimind-v

👀 ¡Entrena un VLM de 65 M de parámetros desde cero en solo 2 horas!

jingyaogong
⭐ 8,868 Python 👤 jingyaogong User 🕐 Actualizado 2026-10-27 📅 Creado 2024-09-11
10
Ucas-HaoranWei/GOT-OCR2.0

Implementación oficial del código de la Teoría General de OCR: Hacia OCR-2.0 a través de un modelo unificado de extremo a extremo

Ucas-HaoranWei
⭐ 8,133 Python 👤 Ucas-HaoranWei User 🕐 Actualizado 2025-02-10 📅 Creado 2024-09-02
11
QwenLM/Qwen-VL

El repositorio oficial de Qwen-VL (通义千问-VL) chat & modelo de lenguaje visual grande preentrenado propuesto por Alibaba Cloud.

QwenLM
⭐ 6,453 Python 👤 QwenLM Organization 🕐 Actualizado 2024-08-07 📅 Creado 2023-08-21
12
ByteDance-Seed/Bagel

Modelo multimodal unificado de código abierto

ByteDance-Seed
⭐ 6,223 Python 👤 ByteDance-Seed Organization 🕐 Actualizado 2026-05-04 📅 Creado 2025-04-17
13
Neywa-Labs/mlx-vlm

MLX-VLM es un paquete para la inferencia y el ajuste fino de Vision Language Models (VLM) en tu Mac usando MLX.

Neywa-Labs
⭐ 5,886 Python 👤 Neywa-Labs Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-04-16
14
volcengine/MineContext

MineContext es su socio de IA proactivo y consciente del contexto (Context-Engineering+ChatGPT Pulse)

volcengine
⭐ 5,553 Python 👤 volcengine Organization 🕐 Actualizado 2026-05-07 📅 Creado 2025-06-24
15
deepseek-ai/DeepSeek-VL2

DeepSeek-VL2: Modelos de Visión-Lenguaje Mixture-of-Experts para la Comprensión Multimodal Avanzada

deepseek-ai
⭐ 5,297 Python 👤 deepseek-ai Organization 🕐 Actualizado 2025-02-26 📅 Creado 2024-12-13
16
PKU-Alignment/align-anything

Align Anything: Entrenamiento de un modelo multimodal con retroalimentación

PKU-Alignment
⭐ 4,669 Python 👤 PKU-Alignment Organization 🕐 Actualizado 2025-11-27 📅 Creado 2024-07-14
17
EvolvingLMMs-Lab/lmms-eval

Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio

EvolvingLMMs-Lab
⭐ 4,501 Python 👤 EvolvingLMMs-Lab Organization 🕐 Actualizado 2026-11-20 📅 Creado 2024-03-07
18
QwenLM/Qwen3.8

Qwen3.8 es una serie de modelos de lenguaje de gran escala desarrollada por el equipo de Qwen de Alibaba Group.

QwenLM
⭐ 4,459 👤 QwenLM Organization 🕐 Actualizado 2026-08-17 📅 Creado 2025-09-11
19
deepseek-ai/DeepSeek-VL

DeepSeek-VL: Hacia la comprensión visión-lenguaje del mundo real

deepseek-ai
⭐ 4,037 Python 👤 deepseek-ai Organization 🕐 Actualizado 2024-04-24 📅 Creado 2024-03-07
20
MiniMax-AI/MiniMax-01

El repositorio oficial de MiniMax-Text-01 y MiniMax-VL-01, modelo de lenguaje grande y modelo visión-lenguaje basado en atención lineal

MiniMax-AI
⭐ 3,445 Python 👤 MiniMax-AI Organization 🕐 Actualizado 2025-07-07 📅 Creado 2025-01-14
21
off-grid-ai/OGAM

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.

off-grid-ai
⭐ 3,406 TypeScript 👤 off-grid-ai Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-01-29
22
dvlab-research/MGM

Repositorio oficial para "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

JIA-Lab-research
⭐ 3,330 Python 👤 JIA-Lab-research Organization 🕐 Actualizado 2024-05-04 📅 Creado 2024-03-26
23
jingyi0000/VLM_survey

Colección de impresionantes modelos de visión-lenguaje para tareas de visión

jingyi0000
⭐ 3,132 👤 jingyi0000 User 🕐 Actualizado 2026-11-16 📅 Creado 2023-03-30
24
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
25
illuin-tech/colpali

El código utilizado para entrenar y ejecutar inferencias con los modelos ColVision, por ejemplo, ColPali, ColQwen2 y ColSmol.

illuin-tech
⭐ 2,859 Python 👤 illuin-tech Organization 🕐 Actualizado 2026-09-21 📅 Creado 2024-06-20
26
BAAI-Agents/Cradle

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.

BAAI-Agents
⭐ 2,394 Python 👤 BAAI-Agents Organization 🕐 Actualizado 2024-11-07 📅 Creado 2024-03-03
27
NVIDIA-AI-Blueprints/video-search-and-summarization

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.

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-10-22
28
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
29
showlab/ShowUI

[CVPR 2025] Modelo open-source, end-to-end, Visión-Lenguaje-Acción para Agentes GUI y Uso de Computadoras.

showlab
⭐ 1,932 Python 👤 showlab Organization 🕐 Actualizado 2026-04-24 📅 Creado 2024-10-31
30
Thinklab-SJTU/Awesome-LLM4AD

Una lista curada de recursos increíbles LLM/VLM/VLA/Molde Mundial para Conducción Autónoma (LLM4AD) (actualizada continuamente)

Thinklab-SJTU
⭐ 1,907 👤 Thinklab-SJTU Organization 🕐 Actualizado 2026-10-15 📅 Creado 2023-10-06
31
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
⭐ 1,795 Python 👤 microsoft Organization 🕐 Actualizado 2026-11-02 📅 Creado 2026-06-15
33
ZJU4HealthCare/HealthGPT

【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”

ZJU4HealthCare
⭐ 1,673 Python 👤 ZJU4HealthCare Organization 🕐 Actualizado 2026-07-31 📅 Creado 2025-02-17
34
waybarrios/vllm-mlx

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.

waybarrios
⭐ 1,657 Python 👤 waybarrios User 🕐 Actualizado 2026-11-07 📅 Creado 2025-12-06
35
ByteDance-Seed/Seed1.5-VL

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.

ByteDance-Seed
⭐ 1,581 Jupyter Notebook 👤 ByteDance-Seed Organization 🕐 Actualizado 2025-06-14 📅 Creado 2025-05-11
36
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
37
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
38
NVlabs/describe-anything

[ICCV 2025] Implementación para Describe Anything: Subtitulado detallado y localizado de imágenes y videos

NVlabs
⭐ 1,497 Python 👤 NVlabs Organization 🕐 Actualizado 2025-06-26 📅 Creado 2025-04-04
39
ARahim3/mlx-tune

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.

ARahim3
⭐ 1,475 Python 👤 ARahim3 User 🕐 Actualizado 2026-06-23 📅 Creado 2026-01-03
40
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
41
ATH-MaaS/Awesome-Unified-Multimodal-Models

Impresionantes modelos multimodales unificados

ATH-MaaS
⭐ 1,325 👤 ATH-MaaS Organization 🕐 Actualizado 2026-03-24 📅 Creado 2025-05-07
42
Meituan-AutoML/MobileVLM

Asistente de Lenguaje Visual Fuerte y Abierto para Dispositivos Móviles

Meituan-AutoML
⭐ 1,317 Python 👤 Meituan-AutoML Organization 🕐 Actualizado 2024-04-15 📅 Creado 2023-12-29
43
NVlabs/prismer

La implementación de "Prismer: un modelo de visión y lenguaje con expertos multitarea".

NVlabs
⭐ 1,308 Python 👤 NVlabs Organization 🕐 Actualizado 2024-01-17 📅 Creado 2023-03-02
44
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
45
EvolvingLMMs-Lab/LLaVA-OneVision-2.5

Marco totalmente abierto para el entrenamiento multimodal democratizado

EvolvingLMMs-Lab
⭐ 1,245 Python 👤 EvolvingLMMs-Lab Organization 🕐 Actualizado 2026-11-18 📅 Creado 2025-09-16
46
MoonshotAI/Kimi-VL

Kimi-VL: Modelo Visión-Lenguaje de Mezcla de Expertos para Razonamiento Multimodal, Comprensión de Largo Contexto y Fuertes Capacidades de Agente

MoonshotAI
⭐ 1,203 👤 MoonshotAI Organization 🕐 Actualizado 2025-07-15 📅 Creado 2025-04-09
47
SkalskiP/vlms-zero-to-hero

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.

SkalskiP
⭐ 1,172 Jupyter Notebook 👤 SkalskiP User 🕐 Actualizado 2025-01-23 📅 Creado 2024-12-20
48
ZJUI-AI4H/Hulu-Med

Un Modelo Generalista Transparente hacia la Comprensión Holística Visión-Lenguaje Médica

ZJUI-AI4H
⭐ 1,031 Python 👤 ZJUI-AI4H User 🕐 Actualizado 2026-08-30 📅 Creado 2025-10-08
49
OpenBMB/VisRAG

RAG sin análisis admitido por VLMs

OpenBMB
⭐ 991 Python 👤 OpenBMB Organization 🕐 Actualizado 2026-11-02 📅 Creado 2024-10-14
50
mbzuai-oryx/groundingLMM

[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.

mbzuai-oryx
⭐ 969 Python 👤 mbzuai-oryx Organization 🕐 Actualizado 2026-09-05 📅 Creado 2023-11-02

Preguntas frecuentes

1

¿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.

2

¿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++.

3

¿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.