Git Stars Git Stars

#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
Total de Repositorios
198,329
Total de estrellas
2,306
Promedio de Estrellas/Repo

86 repositorios en total

1
Vision-CAIR/MiniGPT-4

Códigos de código abierto para MiniGPT-4 y MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

Vision-CAIR
⭐ 25,770 Python 👤 Vision-CAIR Organization 🕐 Actualizado 2024-09-02 📅 Creado 2023-04-15
2
deepseek-ai/DeepSeek-OCR

Compresión óptica de contextos

deepseek-ai
⭐ 24,180 Python 👤 deepseek-ai Organization 🕐 Actualizado 2026-01-27 📅 Creado 2025-10-17
3
allenai/olmocr

Kit de herramientas para linealizar PDF para conjuntos de datos/entrenamiento de LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Actualizado 2026-03-25 📅 Creado 2024-09-17
4
NVIDIA/Isaac-GR00T

NVIDIA Isaac GR00T N1.7 - Un Modelo Fundacional para Robots Generalistas.

NVIDIA
⭐ 8,402 Python 👤 NVIDIA Organization 🕐 Actualizado 2026-11-17 📅 Creado 2025-03-11
5
apple-aiml-research/ml-fastvlm

Este repositorio contiene la implementación oficial de "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025

apple-aiml-research
⭐ 7,445 Python 👤 apple-aiml-research Organization 🕐 Actualizado 2026-09-11 📅 Creado 2025-05-01
6
LargeWorldModel/LWM

Large World Model -- Modelado de texto y video con millones de contextos

LargeWorldModel
⭐ 7,391 Python 👤 LargeWorldModel Organization 🕐 Actualizado 2024-10-19 📅 Creado 2024-02-08
7
google/gemma.cpp

motor de inferencia C++ ligero e independiente para los modelos Gemma de Google.

google
⭐ 7,089 C++ 👤 google Organization 🕐 Actualizado 2026-11-20 📅 Creado 2024-02-13
8
huggingface/nanoVLM

El repositorio más simple y rápido para entrenar/afinar VLM de tamaño pequeño.

huggingface
⭐ 5,063 Python 👤 huggingface Organization 🕐 Actualizado 2025-10-27 📅 Creado 2025-05-02
9
lumina-ai-inc/chunkr

Infraestructura de visión para transformar documentos complejos en datos listos para LLM

lumina-ai-inc
⭐ 4,154 Rust 👤 lumina-ai-inc Organization 🕐 Actualizado 2026-09-09 📅 Creado 2024-08-24
10
StarsfieldAI/R1-V

Sé testigo del momento "aha" de VLM por menos de 3 $

StarsfieldAI
⭐ 4,058 Python 👤 StarsfieldAI Organization 🕐 Actualizado 2025-05-19 📅 Creado 2025-02-02
11
NVlabs/VILA

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.

NVlabs
⭐ 3,873 Python 👤 NVlabs Organization 🕐 Actualizado 2026-03-12 📅 Creado 2024-02-23
12
jonyzhang2023/awesome-embodied-vla-va-vln

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.

jonyzhang2023
⭐ 3,634 👤 jonyzhang2023 User 🕐 Actualizado 2026-09-15 📅 Creado 2025-01-16
13
OmniSVG/OmniSVG

[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.

OmniSVG
⭐ 2,666 Python 👤 OmniSVG User 🕐 Actualizado 2026-03-01 📅 Creado 2025-04-07
14
facebookresearch/perception_models

¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!

facebookresearch
⭐ 2,415 Jupyter Notebook 👤 facebookresearch Organization 🕐 Actualizado 2026-04-13 📅 Creado 2025-04-16
16
opendatalab/OmniDocBench

[CVPR 2025] Un benchmark completo para análisis y evaluación de documentos

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Actualizado 2026-11-12 📅 Creado 2024-10-14
17
PKU-YuanGroup/LLaVA-CoT

[ICCV 2025] LLaVA-CoT, un modelo de lenguaje visual capaz de razonamiento espontáneo y sistemático

PKU-YuanGroup
⭐ 2,129 Python 👤 PKU-YuanGroup Organization 🕐 Actualizado 2025-12-12 📅 Creado 2024-11-17
18
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5: Haciendo que los VLM de OCR ligeros sean más rápidos y mejores

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Actualizado 2026-09-24 📅 Creado 2025-11-18
19
chn-lee-yumi/MaterialSearch

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.

chn-lee-yumi
⭐ 1,998 HTML 👤 chn-lee-yumi User 🕐 Actualizado 2026-09-21 📅 Creado 2023-03-16
21
gpt-omni/mini-omni2

Hacia GPT-4o de código abierto con capacidades de Visión, Voz y Dúplex.

gpt-omni
⭐ 1,896 Python 👤 gpt-omni Organization 🕐 Actualizado 2025-01-16 📅 Creado 2024-10-14
22
facebookresearch/MetaCLIP

NeurIPS 2025 Spotlight; ICLR2024 Spotlight; CVPR 2024; EMNLP 2024

facebookresearch
⭐ 1,856 Python 👤 facebookresearch Organization 🕐 Actualizado 2026-08-11 📅 Creado 2023-09-28
23
kijai/ComfyUI-Florence2

Inferencia Microsoft Florence2 VLM

kijai
⭐ 1,764 Python 👤 kijai User 🕐 Actualizado 2026-05-06 📅 Creado 2024-06-19
24
baaivision/Emu3.5

Los modelos multimodales nativos son aprendices del mundo

baaivision
⭐ 1,567 Python 👤 baaivision Organization 🕐 Actualizado 2025-12-30 📅 Creado 2025-10-29
25
tjmlabs/ColiVara

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.

tjmlabs
⭐ 1,485 Python 👤 tjmlabs Organization 🕐 Actualizado 2026-07-08 📅 Creado 2024-09-21
27
Sun-Haoyuan23/Awesome-RL-based-Reasoning-MLLMs

¡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!

Sun-Haoyuan23
⭐ 1,449 👤 Sun-Haoyuan23 User 🕐 Actualizado 2026-09-29 📅 Creado 2025-02-21
28
rmokady/CLIP_prefix_caption

Modelo simple de subtitulado de imágenes

rmokady
⭐ 1,407 Jupyter Notebook 👤 rmokady User 🕐 Actualizado 2024-06-09 📅 Creado 2021-09-16
29
SakanaAI/evolutionary-model-merge

Repositorio oficial de optimización evolutiva de recetas de fusión de modelos

SakanaAI
⭐ 1,394 Python 👤 SakanaAI Organization 🕐 Actualizado 2024-11-29 📅 Creado 2024-03-05
30
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
31
Computer-Vision-in-the-Wild/CVinW_Readings

Una colección de artículos sobre el tema ``Visión por Computadora en la Naturaleza (CVinW)''

Computer-Vision-in-the-Wild
⭐ 1,349 👤 Computer-Vision-in-the-Wild Organization 🕐 Actualizado 2024-03-14 📅 Creado 2022-09-28
32
X-Square-Robot/wall-x

Construcción de robots de propósito general basados en modelos fundacionales corporizados

X-Square-Robot
⭐ 1,337 Python 👤 X-Square-Robot Organization 🕐 Actualizado 2026-09-18 📅 Creado 2025-09-04
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 Actualizado 2025-11-20 📅 Creado 2025-03-15
35
aiming-lab/Agent0

[ICML'26 & COLM'26] Serie Agent0: Agentes autoevolutivos a partir de datos cero

aiming-lab
⭐ 1,292 Python 👤 aiming-lab Organization 🕐 Actualizado 2026-07-10 📅 Creado 2025-10-20
37
reacher-z/Awesome-CUA

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.

reacher-z
⭐ 1,072 Python 👤 reacher-z User 🕐 Actualizado 2026-11-21 📅 Creado 2026-10-16
38
nvidia-cosmos/cosmos-reason1

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.

nvidia-cosmos
⭐ 965 Python 👤 nvidia-cosmos Organization 🕐 Actualizado 2026-06-07 📅 Creado 2025-03-02
39
huangwl18/ReKep

ReKep: Razonamiento Espacio-Temporal de Restricciones de Puntos Clave Relacionales para Manipulación Robótica

huangwl18
⭐ 950 Python 👤 huangwl18 User 🕐 Actualizado 2025-02-20 📅 Creado 2024-08-29
40
mst272/LLM-Dojo

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👩‍🎓👨‍🎓

mst272
⭐ 939 Python 👤 mst272 User 🕐 Actualizado 2026-03-08 📅 Creado 2024-01-23
41
Qinying-Liu/Awesome-Open-Vocabulary-Semantic-Segmentation

Una lista curada de publicaciones sobre segmentación semántica de vocabulario abierto y áreas relacionadas (por ejemplo, segmentación semántica de cero disparos) recursos..

Qinying-Liu
⭐ 910 👤 Qinying-Liu User 🕐 Actualizado 2026-05-20 📅 Creado 2023-09-28
42
TRI-ML/prismatic-vlms

Una base de código flexible y eficiente para entrenar modelos de lenguaje visualmente condicionados (VLM)

TRI-ML
⭐ 894 Python 👤 TRI-ML Organization 🕐 Actualizado 2024-07-04 📅 Creado 2024-02-13
43
LYL1015/JarvisArt

[NeurIPS' 2025] JarvisArt: Liberando la creatividad artística humana a través de un agente inteligente de retoque fotográfico

LYL1015
⭐ 880 Python 👤 LYL1015 User 🕐 Actualizado 2026-04-04 📅 Creado 2025-06-24
44
beichenzbc/Long-CLIP

[ECCV 2024] código oficial para "Long-CLIP: Desbloqueando la capacidad de texto largo de CLIP"

beichenzbc
⭐ 879 Python 👤 beichenzbc User 🕐 Actualizado 2024-08-13 📅 Creado 2024-03-20
45
InternLM/Intern-S1

Un modelo fundacional científico multimodal

InternLM
⭐ 876 👤 InternLM Organization 🕐 Actualizado 2026-09-13 📅 Creado 2025-07-25
46
RiseInRose/MiniGPT-4-ZH

MiniGPT-4 Despliegue en chino Traducción Perfeccionar los detalles de implementación

RiseInRose
⭐ 859 Python 👤 RiseInRose User 🕐 Actualizado 2026-05-09 📅 Creado 2023-04-19
48
allenai/molmo

Código para el Modelo de Lenguaje Visual Molmo

allenai
⭐ 851 Python 👤 allenai Organization 🕐 Actualizado 2024-12-12 📅 Creado 2024-12-05
49
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
50
showlab/Awesome-Unified-Multimodal-Models

📖 Este es un repositorio para organizar artículos, códigos y otros recursos relacionados con modelos multimodales unificados.

showlab
⭐ 834 👤 showlab Organization 🕐 Actualizado 2025-10-10 📅 Creado 2024-08-27

Preguntas frecuentes

1

¿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/)

2

¿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.

3

¿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.