#llava Dépôts
Découvrez 26 dépôts GitHub open source actifs associés à #llava, cumulant 80,904 étoiles au total (soit une moyenne de 3,111 étoiles par projet). Le projet en tête de ce thème est haotian-liu/LLaVA, avec 24,232 étoiles.
26 dépôts au total
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) a été développé pour des capacités de niveau GPT-4V et au-delà.
Ce dépôt contient l'implémentation officielle de "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
MLX-VLM est un package pour l'inférence et le fine-tuning des modèles de vision et de langage (VLM) sur votre Mac à l'aide de MLX.
SUPIR vise à développer des algorithmes pratiques pour la restauration d'images photoréalistes dans la nature. Notre nouvelle démo en ligne est également disponible sur suppixel.ai.
Boîte à outils d'évaluation open-source pour les grands modèles multimodaux (LMM), prend en charge plus de 220 LMM et plus de 80 benchmarks
Solutions NLP chinoises (grands modèles, données, modèles, entraînement, inférence)
Une bibliothèque C#/.NET pour exécuter efficacement des LLM (🦙LLaMA/LLaVA) sur votre appareil local.
[EMNLP-2024] Construire des agents de langage multimodaux pour un prototypage et une production rapides
[ACL 2024 🔥] Video-ChatGPT est un modèle de conversation vidéo capable de générer des conversations significatives sur des vidéos. Il combine les capacités des LLM avec un encodeur visuel pré-entraîné adapté à la représentation vidéo spatio-temporelle. Nous introduisons également une "Évaluation quantitative rigoureuse" pour les modèles conversationnels basés sur des vidéos.
Cadre entièrement ouvert pour la formation multimodale démocratisée
Un framework puissant de compression de modèles pour les LLMs et LVLMs, adapté aux GPU NVIDIA et aux NPU Huawei Ascend.
🔥🔥 LLaVA++ : Étendre LLaVA avec Phi-3 et LLaMA-3 (LLaVA LLaMA-3, LLaVA Phi-3)
Une collection et enquête de pointe sur les articles de modèles vision-langage, ainsi qu’un référentiel GitHub de modèles. Mises à jour continues.
Paddle Multimodal Integration and eXploration, prenant en charge les tâches multimodales courantes, y compris les modèles de pré-entraînement multimodaux à grande échelle de bout en bout et la boîte à outils de modèles de diffusion. Équipé de hautes performances et d'une grande flexibilité.
👁️ + 💬 + 🎧 = 🤖 Liste organisée des meilleurs modèles fondamentaux et multimodaux ! [Paper + Code + Exemples + Tutoriels]
Nœuds ComfyUI pour les modèles vision-langage : Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclut également la détection à vocabulaire ouvert, la segmentation SAM2/SAM3, le raisonnement temporel vidéo, GGUF via llama.cpp, et des API LLM/VLM hébergées.
[ECCV 2024 Présentation Orale] Code pour l'article : Une image vaut 1/2 jeton après la couche 2 : Accélération de l'inférence plug-and-play pour les grands modèles vision-langage
LLaVA-Mini est un grand modèle multimodal (LMM) unifié qui peut prendre en charge la compréhension des images, des images haute résolution et des vidéos de manière efficace.
[ICLR2026] VideoChat-Flash: Compression hiérarchique pour la modélisation vidéo à long terme du contexte
Assistant alimenté par l'IA pour vous aider dans vos tâches quotidiennes, propulsé par Llama 3, DeepSeek R1 et de nombreux autres modèles sur HuggingFace.
Foire aux questions
Quel est le dépôt #llava le plus populaire sur GitHub ?
Le projet #llava open source le mieux classé sur GitHub est haotian-liu/LLaVA, avec 24,232 étoiles. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) a été développé pour des capacités de niveau GPT-4V et au-delà.
Quels langages de programmation sont les plus utilisés dans les dépôts #llava ?
Parmi les projets #llava les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C#, HTML.
Comment le classement des dépôts #llava est-il calculé ?
Nous suivons 26 dépôts open source actifs associés à #llava (500+ étoiles), totalisant 80,904 étoiles, avec une moyenne de 3,111 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.