#vision-language-model Dépôts
Découvrez 82 dépôts GitHub open source actifs associés à #vision-language-model, cumulant 263,383 étoiles au total (soit une moyenne de 3,211 étoiles par projet). Le projet en tête de ce thème est haotian-liu/LLaVA, avec 24,232 étoiles.
82 dépôts au total
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) a été développé pour des capacités de niveau GPT-4V et au-delà.
OCR, analyse de la mise en page, ordre de lecture, reconnaissance des tableaux dans plus de 90 langues
Qwen3-VL est la série de grands modèles linguistiques multimodaux développée par l'équipe Qwen d'Alibaba Cloud.
Modèle OCR qui gère les tableaux complexes, les formulaires et l'écriture manuscrite avec une mise en page complète.
X-AnyLabeling : une application de bureau multiplateforme, légère, efficace et unifiée pour annoter du texte, des images, des vidéos, des nuages de points et des données multimodales. Elle associe des outils intégrés polyvalents à des modèles d’IA de pointe et permet une exportation flexible dans plusieurs formats.
[CVPR 2024 Oral] InternVL Family : Une alternative open-source pionnière à GPT-4o. Un modèle de dialogue multimodal open-source aux performances proches de GPT-4o.
Analyse de la mise en page de documents multilingues dans un modèle unique Vision-Language
👀 Entraînez un VLM de 65 millions de paramètres à partir de zéro en seulement 2 heures !
Implémentation officielle du code de la théorie générale de l'OCR : vers l'OCR-2.0 via un modèle unifié de bout en bout
Le dépôt officiel de Qwen-VL (通义千问-VL) chat & grand modèle linguistique visuel pré-entraîné proposé par Alibaba Cloud.
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.
MineContext est votre partenaire IA proactif et conscient du contexte (Context-Engineering+ChatGPT Pulse)
DeepSeek-VL2 : Modèles Vision-Langage Mixture-of-Experts pour une Compréhension Multimodale Avancée
Align Anything : entraînement d'un modèle tout modalité avec feedback
Boîte à outils d'évaluation multimodale One-for-All pour les tâches textuelles, d'images, de vidéos et audio
Qwen3.8 est une série de grands modèles de langage développée par l’équipe Qwen du groupe Alibaba.
DeepSeek-VL : Vers une compréhension visuelle et linguistique du monde réel
Le dépôt officiel de MiniMax-Text-01 et MiniMax-VL-01, modèle linguistique de grande taille et modèle vision-langage basé sur l'attention linéaire
Le couteau suisse de l'IA hors ligne. Discutez, voyez, parlez et générez des images sur votre téléphone ou Mac — LLM GGUF, vision, transcription vocale Whisper, Stable Diffusion, appels d'outils et serveurs réseau locaux. Fonctionne sur votre CPU, GPU ou NPU. Aucun compte, aucune clé API, aucune donnée ne quitte votre appareil.
Référentiel officiel pour "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"
Collection de modèles impressionnants de vision-langage pour les tâches de vision
InternLM-XComposer2.5-OmniLive : Un système multimodal complet pour les interactions audio et vidéo en streaming à long terme
Le code utilisé pour entraîner et exécuter des inférences avec les modèles ColVision, par exemple ColPali, ColQwen2 et ColSmol.
Le framework Cradle est une première tentative de contrôle informatique général (GCC). Cradle aide les agents à exceller dans n'importe quelle tâche informatique en permettant de fortes capacités de raisonnement, d'auto-amélioration et de curation de compétences, dans un environnement général standardisé avec des exigences minimales.
Le plan d'IA NVIDIA pour la recherche et le résumé vidéo (VSS) est une architecture de référence accélérée par GPU pour construire des agents d'analyse vidéo avec des alertes vérifiées en temps réel, des questions-réponses visuelles et des rapports automatisés. Le plan VSS utilise des modèles de langage visuel (VLM) tels que NVIDIA Cosmos, des LLM tels que NVIDIA Nemotron, RAG et NVIDIA NIM.
Une implémentation open-source pour le réglage fin de la série Qwen-VL d'Alibaba Cloud.
[CVPR 2025] Modèle open-source, de bout en bout, Vision-Langage-Action pour agent GUI et utilisation de l'ordinateur.
Une liste sélectionnée de ressources incroyables LLM/VLM/VLA/World Model pour la conduite autonome (LLM4AD) (mise à jour continue)
Une collection d'idées et d'algorithmes originaux et innovants pour des machines littéraires avancées. Ce projet est maintenu par l'équipe OCR du Language Technology Lab, Tongyi Lab, Alibaba Group.
【ICML 2025 Spotlight】 Dépôt officiel du papier « HealthGPT : Un grand modèle linguistique visuel médical pour unifier la compréhension et la génération via l'adaptation de connaissances hétérogènes »
Serveur d'inférence LLM haute performance compatible OpenAI et Anthropic pour Apple Silicon. MLX natif, traitement par lots continu, modèles multimodaux, appels d'outils MCP et prise en charge de Claude Code.
Seed1.5-VL, un modèle de fondation vision-langage conçu pour faire progresser la compréhension et le raisonnement multimodaux à usage général, atteignant des performances de pointe sur 38 des 60 points de référence publics.
Une nouvelle architecture de modèle linguistique multimodal (MLLM) de grande taille, conçue pour aligner structurellement les représentations visuelles et textuelles.
Obtenez des données propres à partir de documents complexes, alimentés par des modèles de vision-langage ⚡
[ICCV 2025] Implémentation pour Describe Anything : Sous-titrage détaillé et localisé d'images et de vidéos
Ajustez finement les LLMs sur votre Mac avec Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding et ajustement fin d'OCR — nativement sur MLX. API compatible avec Unsloth.
La mise en œuvre de "Prismer: un modèle Vision-Language avec des experts multitâches".
Concevez une meilleure boîte à outils et des compétences visuelles pour que les modèles de texte uniquement « voient » des images, prenant en charge la compréhension multi-images, les questions-réponses sur images, la restauration d'interface front-end, l'automatisation de l'interface graphique, etc., avec une intégration transparente facultative avec plusieurs agents principaux, et la reconnaissance directe des images collées | Une boîte à outils et des compétences visuelles conçues pour les LLM de texte uniquement : questions-réponses sur images, OCR de captures d'écran longues, restauration d'interface front-end et automatisation de l'interface graphique, avec intégration transparente facultative pour Codex, Claude Code, Pi, Oh My Pi et OpenCode
Cadre entièrement ouvert pour la formation multimodale démocratisée
Kimi-VL : Modèle Vision-Langage Mixture-of-Experts pour le Raisonnement Multimodal, la Compréhension du Long Contexte et de Fortes Capacités d'Agent
Cette série vous emmènera dans un voyage des bases du NLP et de la vision par ordinateur jusqu'à la pointe des modèles Vision-Langage.
Un modèle généraliste transparent pour une compréhension holistique vision-langage médicale
[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), le premier modèle de son genre capable de générer des réponses en langage naturel parfaitement intégrées à des masques de segmentation d'objets.
Foire aux questions
Quel est le dépôt #vision-language-model le plus populaire sur GitHub ?
Le projet #vision-language-model 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 #vision-language-model ?
Parmi les projets #vision-language-model les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript, C++.
Comment le classement des dépôts #vision-language-model est-il calculé ?
Nous suivons 82 dépôts open source actifs associés à #vision-language-model (500+ étoiles), totalisant 263,383 étoiles, avec une moyenne de 3,211 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.