Git Stars Git Stars

#vision-language-model Repositorios

82
Total de Repositorios
263,383
Total de estrellas
3,211
Promedio de Estrellas/Repo

82 repositorios en total

51
Anionex/dsh-vision-toolkit

[dsh] Un conjunto de herramientas visuales más potente diseñado para modelos de solo texto: instalación y uso con una sola línea, reconocimiento directo al pegar imágenes, preguntas y respuestas sobre varias imágenes, restauración de la UI frontend a partir de capturas de pantalla y mucho más|Integración nativa de DeepSeek Harness para agent-vision-toolkit: preguntas y respuestas sobre imágenes, OCR de capturas de pantalla largas, restauración de UI, grounding, diferencias de píxeles, Artifacts y Web UI.

Anionex
⭐ 949 TypeScript 👤 Anionex User 🕐 Actualizado 2026-11-21 📅 Creado 2026-08-13
52
PKU-YuanGroup/Chat-UniVi

[CVPR 2024 Highlight🔥] Chat-UniVi: La representación visual unificada potencia los modelos de lenguaje grandes con la comprensión de imágenes y videos

PKU-YuanGroup
⭐ 943 Python 👤 PKU-YuanGroup Organization 🕐 Actualizado 2024-10-16 📅 Creado 2023-11-13
53
Valen-Team/Valen

Modelos abiertos de decisión multimodal, de 0,8B a 27B, para texto, imágenes y vídeo. Decide asignando probabilidades a tus propios candidatos y localiza con cuadros delimitadores, en lugar de generar texto. API gratuita, ONNX, GGUF, vLLM y SGLang; incluye código de ajuste fino.

Valen-Team
⭐ 932 Python 👤 Valen-Team Organization 🕐 Actualizado 2026-11-15 📅 Creado 2026-09-23
54
facebookresearch/ShapeR

Código para el artículo de investigación de ShapeR

facebookresearch
⭐ 904 Python 👤 facebookresearch Organization 🕐 Actualizado 2026-04-30 📅 Creado 2026-01-14
55
SkalskiP/top-cvpr-2025-papers

Acerca de Este repositorio es una colección curada de los artículos más emocionantes e influyentes de CVPR 2025. 🔥 [Paper + Code + Demo]

SkalskiP
⭐ 899 Python 👤 SkalskiP User 🕐 Actualizado 2026-04-15 📅 Creado 2025-05-31
56
xlang-ai/OpenCUA

[NeurIPS 2025 Spotlight] OpenCUA: Fundaciones abiertas para agentes de uso de computadora

xlang-ai
⭐ 877 Python 👤 xlang-ai Organization 🕐 Actualizado 2026-05-25 📅 Creado 2025-06-21
57
SunzeY/AlphaCLIP

[CVPR 2024] Alpha-CLIP: Un modelo CLIP que se enfoca en donde quieras

SunzeY
⭐ 876 Jupyter Notebook 👤 SunzeY User 🕐 Actualizado 2025-07-20 📅 Creado 2023-11-27
59
OpenMOSS/MOSS-VL

Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 Actualizado 2026-10-14 📅 Creado 2026-04-08
60
mlfoundations/MINT-1T

🍃 MINT-1T: Un conjunto de datos multimodal entrelazado de un billón de tokens.

mlfoundations
⭐ 828 👤 mlfoundations Organization 🕐 Actualizado 2024-07-31 📅 Creado 2024-06-16
61
zubair-irshad/Awesome-Robotics-3D

Una lista seleccionada de artículos de Visión 3D relacionados con el dominio de la Robótica en la era de los modelos grandes, es decir, LLMs/VLMs, inspirada en awesome-computer-vision, que incluye artículos, códigos y sitios web relacionados

zubair-irshad
⭐ 824 👤 zubair-irshad User 🕐 Actualizado 2025-12-17 📅 Creado 2024-08-12
62
huangwl18/VoxPoser

VoxPoser: Mapas de Valor 3D Componibles para Manipulación Robótica con Modelos del Lenguaje

huangwl18
⭐ 806 Python 👤 huangwl18 User 🕐 Actualizado 2025-02-20 📅 Creado 2023-11-02
63
zhengli97/Awesome-Prompt-Adapter-Learning-for-VLMs-CLIP

Una lista curada de impresionantes métodos de aprendizaje de indicaciones/adaptadores para modelos de visión y lenguaje como CLIP.

zhengli97
⭐ 802 👤 zhengli97 User 🕐 Actualizado 2026-07-17 📅 Creado 2024-03-15
64
2toinf/X-VLA

[ICLR 2026] La implementación oficial de "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model"

2toinf
⭐ 762 C++ 👤 2toinf User 🕐 Actualizado 2026-10-20 📅 Creado 2025-09-25
65
magicrew/doc7

Convierta documentos en Markdown listo para IA con comprensión visual

magicrew
⭐ 719 Go 👤 magicrew Organization 🕐 Actualizado 2026-08-07 📅 Creado 2026-08-02
66
NVlabs/OmniVinci

OmniVinci es un LLM omnimodal para la comprensión conjunta de la visión, el audio y el lenguaje.

NVlabs
⭐ 683 Python 👤 NVlabs Organization 🕐 Actualizado 2026-08-31 📅 Creado 2025-09-24
67
wanshuiyin/ARIS-in-AI-Offer

Hojas de consulta bilingües (chino + inglés) para entrevistas de ML / LLM / difusión / agentes en la campaña de contratación otoñal de IA — generadas por ARIS /interview-cheatsheet y convertidas mediante /render-html en HTML de un solo archivo, legible en cualquier lugar — además de un generador de páginas académicas verificado mediante CV→DBLP y blogs extensos escritos personalmente 🌱

wanshuiyin
⭐ 661 Python 👤 wanshuiyin User 🕐 Actualizado 2026-11-18 📅 Creado 2026-05-19
⭐ 650 👤 XiaomiMiMo Organization 🕐 Actualizado 2026-10-29 📅 Creado 2025-05-29
⭐ 647 Python 👤 Visual-Agent Organization 🕐 Actualizado 2026-02-26 📅 Creado 2025-10-31
70
NJU-3DV/SpatialVID

[CVPR 2026] SpatialVID: Un conjunto de datos de video a gran escala con anotaciones espaciales

NJU-3DV
⭐ 614 Python 👤 NJU-3DV Organization 🕐 Actualizado 2026-04-22 📅 Creado 2025-09-10
71
LAMDA-CL/LAMDA-PILOT

🎉 PILOT: Una caja de herramientas para el aprendizaje continuo basada en modelos preentrenados

LAMDA-CL
⭐ 614 Python 👤 LAMDA-CL Organization 🕐 Actualizado 2026-01-29 📅 Creado 2023-08-30
72
linzhiqiu/t2v_metrics

Evaluación de modelos de texto a imagen/video/3D con VQAScore

linzhiqiu
⭐ 607 Python 👤 linzhiqiu User 🕐 Actualizado 2026-06-05 📅 Creado 2023-12-16
73
IuvenisSapiens/ComfyUI_Qwen3-VL-Instruct

La integración exitosa de la serie Qwen3-VL-Instruct en la plataforma ComfyUI ha permitido un funcionamiento fluido, soportando (pero no limitado a) consultas basadas en texto, consultas de video, consultas de una sola imagen y consultas de múltiples imágenes para generar subtítulos o respuestas.

IuvenisSapiens
⭐ 587 Python 👤 IuvenisSapiens User 🕐 Actualizado 2025-10-23 📅 Creado 2024-08-31
74
FoundationVision/Groma

[ECCV2024] Modelo de Lenguaje Grande Multimodal Fundamentado con Tokenización Visual Localizada

FoundationVision
⭐ 582 Python 👤 FoundationVision Organization 🕐 Actualizado 2024-06-07 📅 Creado 2024-04-21
75
ictnlp/LLaVA-Mini

LLaVA-Mini es un modelo multimodal grande y unificado (LMM) que puede admitir la comprensión de imágenes, imágenes de alta resolución y videos de manera eficiente.

ictnlp
⭐ 575 Python 👤 ictnlp Organization 🕐 Actualizado 2025-06-29 📅 Creado 2025-01-07
76
cambrian-mllm/cambrian-s

Cambrian-S: Hacia la Supersensibilidad Espacial en Video

cambrian-mllm
⭐ 573 Python 👤 cambrian-mllm Organization 🕐 Actualizado 2026-04-03 📅 Creado 2025-10-13
77
Flame-Code-VLM/Flame-Code-VLM

Flame es un sistema de IA multimodal de código abierto diseñado para traducir maquetas de diseño de UI en código React de alta calidad. Aprovecha el modelado de visión y lenguaje, la síntesis de datos automatizada y los flujos de trabajo de entrenamiento estructurados para cerrar la brecha entre el diseño y el desarrollo front-end.

Flame-Code-VLM
⭐ 564 Python 👤 Flame-Code-VLM Organization 🕐 Actualizado 2026-02-11 📅 Creado 2025-02-10
78
OpenGVLab/Multi-Modality-Arena

¡Chatbot Arena se une a la multimodalidad! Multi-Modality Arena te permite evaluar modelos de visión-lenguaje lado a lado proporcionando imágenes como entradas. ¡Soporta MiniGPT-4, LLaMA-Adapter V2, LLaVA, BLIP-2, y muchos más!

OpenGVLab
⭐ 553 Python 👤 OpenGVLab Organization 🕐 Actualizado 2024-04-21 📅 Creado 2023-05-10
79
Mengqi-Lei/count-anything

Código y pautas de implementación para el artículo ✨Counting Anything. Página del proyecto: https://mengqi-lei.github.io/count-anything-projectpage/

Mengqi-Lei
⭐ 545 Python 👤 Mengqi-Lei User 🕐 Actualizado 2026-08-12 📅 Creado 2026-05-18
80
vulab-AI/Awesome-Spatial-VLMs

[Awesome-Spatial-VLMs] Este repositorio es el recurso oficial, mantenido por la comunidad, para el artículo de revisión: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey;

vulab-AI
⭐ 525 Python 👤 vulab-AI Organization 🕐 Actualizado 2026-07-30 📅 Creado 2025-07-10
81
mll-lab-nu/VAGEN

Aprendizaje por refuerzo con modelos del mundo para agentes VLM de múltiples turnos. Marco de aprendizaje por refuerzo para la visión (NeurIPS 2025).

mll-lab-nu
⭐ 525 Python 👤 mll-lab-nu Organization 🕐 Actualizado 2026-10-29 📅 Creado 2025-03-04
82
Jiaaqiliu/Awesome-VLA-Robotics

Una lista completa de excelentes artículos de investigación, modelos, conjuntos de datos y otros recursos sobre modelos Vision‑Language‑Action (VLA) en robótica.

Jiaaqiliu
⭐ 505 👤 Jiaaqiliu User 🕐 Actualizado 2026-10-19 📅 Creado 2025-04-21