#vlm Repositorios
Descubre 89 repositorios activos de código abierto de GitHub etiquetados con #vlm, que acumulan 457,898 estrellas en total (una media de 5,144 estrellas por proyecto). El líder de este tema es huggingface/transformers, con 169,339 estrellas.
89 repositorios en total
🤗 Transformers: el framework de definición de modelos para modelos de machine learning de vanguardia en texto, visión, audio y modelos multimodales, tanto para inferencia como para entrenamiento.
El Stack de Agentes IA Multimodales de Código Abierto: Conectando Modelos de IA de Vanguardia e Infraestructura de Agentes
SGLang es un marco de servicio de alto rendimiento para modelos de lenguaje grandes y modelos multimodales.
Analiza a la inversa cualquier vídeo, plano a plano: descubre si se grabó, se generó con IA o se creó mediante código, y cómo recrearlo. Desgloses en el formato abierto VIDEO.md.
https://arxiv.org/abs/2606.28344. El fin del análisis web. El comienzo de la búsqueda nativa de píxeles escalable. enlace: https://pixelrag.ai/
Kit de herramientas listo para producción para ejecutar IA localmente
Una colección de tutoriales sobre modelos y técnicas de visión por computadora de vanguardia. Explore todo, desde arquitecturas fundamentales como ResNet hasta modelos de última generación como RF-DETR, YOLO11, SAM 3 y Qwen3-VL.
Libros, artículos, vídeos y cajas de herramientas relacionados con la detección de anomalías. ¡Última actualización a finales de 2025 para trabajos sobre LLM y VLM!
¡Ajusta finamente (SFT/RL), evalúa y despliega Qwen, Gemma o cualquier LLM/VLM agéntico de código abierto!
Ejecute LLM y VLM de vanguardia localmente en dispositivos Qualcomm a través de NPU, GPU y CPU con unas pocas líneas de código
El repositorio oficial para ERNIE 4.5 y ERNIEKit – su kit de desarrollo de grado industrial basado en PaddlePaddle.
Un framework MCP de bajo código para construir pipelines RAG complejos e innovadores
🌟 ¡Más de 100 diagramas originales de LLM / RL 📚, obra maestra del autor de "Large Model Algorithms"! 💥 (100+ Mapas de Algoritmos LLM/RL)
StarVector es un modelo fundamental para la generación de SVG que transforma la vectorización en una tarea de generación de código. Utilizando una arquitectura de modelado de visión y lenguaje, StarVector procesa entradas visuales y textuales para producir código SVG de alta calidad con una precisión notable.
Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio
[CVPR 2026] PromptEnhancer es una herramienta de reescritura de prompts que refina los prompts en versiones más claras y estructuradas para una mejor generación de imágenes.
Un marco simplificado y personalizable para la evaluación eficiente y la evaluación comparativa del rendimiento de modelos grandes (LLM, VLM, AIGC).
[MLSys 2024 Best Paper Award] AWQ: Cuantización de pesos sensible a la activación para la compresión y aceleración de LLM
Un modelo de análisis de documentos de código abierto que utiliza un ciclo RSI durante el posentrenamiento y ofrece una precisión y velocidad de vanguardia.
El repositorio oficial de MiniMax-Text-01 y MiniMax-VL-01, modelo de lenguaje grande y modelo visión-lenguaje basado en atención lineal
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
Skywork-R1V es una serie avanzada de modelos de IA multimodal desarrollada por Skywork AI, especializada en el razonamiento visión-lenguaje.
Plataforma de habilidades de cámara AI de código abierto, NVR AI y vigilancia CCTV. Análisis de video VLM local con Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. Agente de cámara de seguridad impulsado por LLM — vigila, comprende, recuerda y protege tu hogar a través de Telegram, Discord o Slack. Habilidades AI con enchufes. OpenAI, Google, Anthropic o AI local. Funciona en Mac Mini y PC AI.
Una herramienta de gestión de archivos impulsada por IA que garantiza la privacidad al organizar textos e imágenes locales. Utilizando los modelos Llama3.2 3B y Llava v1.6 con el SDK de Nexa, escanea, reestructura y organiza intuitivamente los archivos para un acceso rápido y sin problemas y una fácil recuperación.
[EMNLP-2024] Construcción de agentes de lenguaje multimodal para prototipos rápidos y producción
Implementación de código abierto y extensión de PaperBanana de Google Research para figuras académicas, diagramas y visuales de investigación automatizados, ampliada a nuevos dominios como la generación de diapositivas.
GLM-4.6V/4.5V/4.1V-Pensamiento: Hacia el Razonamiento Multimodal Versátil con Aprendizaje por Refuerzo Escalable
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 framework de agente LLM en ComfyUI incluye nodos de servidor MCP, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0 y prompt FLUX, acceso a Feishu, discord y se adapta a todos los LLM con interfaces similares a openai / aisuite, como o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Adaptado a LLM locales, VLM, gguf como llama-3.3 Janus-Pro, Linkage GraphRAG
Kit de herramientas de repetición de protocolo de extremo a extremo para suscripción ChatGPT Plus/Team/Pro · Solucionador visual de hCaptcha · Estudio empírico de mecanismos antifraude / Kit de herramientas de repetición de protocolo de extremo a extremo para suscripción ChatGPT Plus/Team/Pro con solucionador de hCaptcha desde cero y estudio empírico antifraude
Motor de IA de borde en C++ listo para producción para análisis de vídeo y VLM en el dispositivo en Sophon, Rockchip RKNN y x86, con orquestación visual, OSD en tiempo real, eventos y benchmarks reproducibles.
Una lista de lectura sobre seguridad, protección y privacidad de modelos grandes (incluyendo Awesome LLM Security, Safety, etc.).
Awesome-Jailbreak-on-LLMs es una colección de métodos de jailbreak de última generación, novedosos y emocionantes en LLMs. Contiene artículos, códigos, conjuntos de datos, evaluaciones y análisis.
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.
OpenGUI es un marco de trabajo de agentes de GUI para Android diseñado para IA en teléfonos, capaz de ver, planificar y operar aplicaciones móviles reales a través de la interfaz gráfica.
Kit de herramientas de compresión de modelos diseñado para una mayor usabilidad, exhaustividad y eficiencia.
Biblioteca de inferencia de IA en el dispositivo para React Native, de alto rendimiento y con la privacidad como prioridad, impulsada por el runtime ExecuTorch de PyTorch
🚀🚀🚀 Una colección de algunos fantásticos proyectos de series públicas de detección de objetos YOLO y los conjuntos de datos de detección de objetos relacionados.
Optimización del diseño de aeronaves acelerada mediante transformaciones de grafos computacionales (p. ej., diferenciación automática). Herramientas de análisis componibles para aerodinámica, propulsión, estructuras, diseño de trayectoria y mucho más.
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.
JoyCaption es un modelo de lenguaje visual (VLM) para subtítulos de imágenes, construido desde cero como un modelo gratuito, abierto y sin censura para que la comunidad lo utilice en el entrenamiento de modelos de difusión.
Plataforma abierta de InternRobotics para construir modelos fundamentales de navegación generalizados.
Implementación oficial de Gamer: un modelo fundacional generalista de visión, lenguaje y acción para agentes de videojuegos en tiempo real con horizontes prolongados
La colección más completa, actualizada continuamente y más popular de más de 100 habilidades de destilación de personajes en la web | Sistemas multiagente | Todas las categorías: celebridades/directores/leyendas en línea/textos antiguos/anime/lugar de trabajo/emociones
Preguntas frecuentes
¿Cuál es el repositorio de #vlm más popular en GitHub?
El proyecto de código abierto de #vlm mejor posicionado en GitHub es huggingface/transformers, con 169,339 estrellas. 🤗 Transformers: el framework de definición de modelos para modelos de machine learning de vanguardia en texto, visión, audio y modelos multimodales, tanto para inferencia como para entrenamiento.
¿Qué lenguajes de programación se utilizan más en los repositorios de #vlm?
Entre los proyectos de #vlm mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, TypeScript, Go.
¿Cómo se calcula la clasificación de los repositorios de #vlm?
Seguimos 89 repositorios activos de código abierto etiquetados con #vlm (500+ estrellas), que suman un total de 457,898 estrellas, con una media de 5,144 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.