#vision-language-models Repositorios
Descubre 86 repositorios activos de código abierto de GitHub etiquetados con #vision-language-models, que acumulan 198,329 estrellas en total (una media de 2,306 estrellas por proyecto). El líder de este tema es Vision-CAIR/MiniGPT-4, con 25,770 estrellas.
86 repositorios en total
Códigos de código abierto para MiniGPT-4 y MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Kit de herramientas para linealizar PDF para conjuntos de datos/entrenamiento de LLM
Este repositorio contiene la implementación oficial de "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
El repositorio más simple y rápido para entrenar/afinar VLM de tamaño pequeño.
Infraestructura de visión para transformar documentos complejos en datos listos para LLM
VILA es una familia de modelos de lenguaje de visión (VLM) de última generación para diversas tareas de IA multimodal en el borde, centros de datos y la nube.
Una lista curada de investigación de vanguardia en IA encarnada, centrándose en modelos de visión-lenguaje-acción (VLA), navegación visión-lenguaje (VLN) y enfoques de aprendizaje multimodal relacionados.
[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.
¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!
[CVPR 2025] Un benchmark completo para análisis y evaluación de documentos
[ICCV 2025] LLaVA-CoT, un modelo de lenguaje visual capaz de razonamiento espontáneo y sistemático
HunyuanOCR-1.5: Haciendo que los VLM de OCR ligeros sean más rápidos y mejores
Búsqueda semántica. Busque fotos y videos locales a través del lenguaje natural. Búsqueda semántica de IA de material local. Buscar por imagen, encontrar material local, hacer coincidir escenas mediante descripciones de texto, buscar fotogramas de video, buscar videos por descripciones de escenas.
Colivara es una suite de servicios que le permite almacenar, buscar y recuperar documentos basándose en su incrustación visual. ColiVara tiene un rendimiento de recuperación de última generación tanto en documentos de texto como visuales. utilizando modelos de visión en lugar de división y procesamiento de texto para documentos. Sin OCR, sin extracción de texto, sin tablas rotas ni imágenes faltantes.
¡Este repositorio proporciona referencias valiosas para los investigadores en el campo de la multimodalidad, comience su viaje exploratorio en MLLMs de Razonamiento basados en RL!
Repositorio oficial de optimización evolutiva de recetas de fusión de modelos
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.
Una colección de artículos sobre el tema ``Visión por Computadora en la Naturaleza (CVinW)''
Construcción de robots de propósito general basados en modelos fundacionales corporizados
[ICML'26 & COLM'26] Serie Agent0: Agentes autoevolutivos a partir de datos cero
Catálogo abierto y respaldado por fuentes de agentes de uso de computadoras: artículos revisados, modelos de GUI, conjuntos de datos, benchmarks, herramientas y datos reutilizables en JSONL/SQLite.
Los modelos Cosmos-Reason1 comprenden el sentido común físico y generan decisiones corporizadas apropiadas en lenguaje natural a través de largos procesos de razonamiento en cadena de pensamiento.
ReKep: Razonamiento Espacio-Temporal de Restricciones de Puntos Clave Relacionales para Manipulación Robótica
Marco ligero de post-entrenamiento para LLM, soporta SFT, RLVR, On-Policy KD, Guide KD y entrenamiento mixto; implementa destilación Guide de una/multiple ronda, destilación multi-maestro, entrenamiento mixto de Reward y flujo de datos automatizado👩🎓👨🎓
Una lista curada de publicaciones sobre segmentación semántica de vocabulario abierto y áreas relacionadas (por ejemplo, segmentación semántica de cero disparos) recursos..
Una base de código flexible y eficiente para entrenar modelos de lenguaje visualmente condicionados (VLM)
[NeurIPS' 2025] JarvisArt: Liberando la creatividad artística humana a través de un agente inteligente de retoque fotográfico
[ECCV 2024] código oficial para "Long-CLIP: Desbloqueando la capacidad de texto largo de CLIP"
MiniGPT-4 Despliegue en chino Traducción Perfeccionar los detalles de implementación
Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real
📖 Este es un repositorio para organizar artículos, códigos y otros recursos relacionados con modelos multimodales unificados.
Preguntas frecuentes
¿Cuál es el repositorio de #vision-language-models más popular en GitHub?
El proyecto de código abierto de #vision-language-models mejor posicionado en GitHub es Vision-CAIR/MiniGPT-4, con 25,770 estrellas. Códigos de código abierto para MiniGPT-4 y MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
¿Qué lenguajes de programación se utilizan más en los repositorios de #vision-language-models?
Entre los proyectos de #vision-language-models mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, Rust.
¿Cómo se calcula la clasificación de los repositorios de #vision-language-models?
Seguimos 86 repositorios activos de código abierto etiquetados con #vision-language-models (500+ estrellas), que suman un total de 198,329 estrellas, con una media de 2,306 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.