#vision-language-models Dépôts
Découvrez 86 dépôts GitHub open source actifs associés à #vision-language-models, cumulant 198,329 étoiles au total (soit une moyenne de 2,306 étoiles par projet). Le projet en tête de ce thème est Vision-CAIR/MiniGPT-4, avec 25,770 étoiles.
86 dépôts au total
Codes open-source pour MiniGPT-4 et MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Ce dépôt contient l'implémentation officielle de "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
Large World Model -- Modélisation de texte et de vidéo avec des millions de contextes
Le dépôt le plus simple et le plus rapide pour l'entraînement/le réglage fin de VLM de petite taille.
Infrastructure de vision pour transformer des documents complexes en données prêtes pour les LLM
VILA est une famille de modèles de langage visuel (VLM) de pointe pour diverses tâches d'IA multimodales dans les environnements edge, de centre de données et cloud.
Une liste organisée de recherches de pointe en IA incarnée, axée sur les modèles vision-langage-action (VLA), la navigation vision-langage (VLN) et les approches d'apprentissage multimodal apparentées.
[NeurIPS 2025] OmniSVG est la première famille de générateurs SVG multimodaux de bout en bout qui s'appuient sur des modèles Vision-Language (VLM) pré-entraînés, capables de générer des SVG complexes et détaillés, allant d'icônes simples à des personnages d'anime complexes.
Modèles CLIP" d'imagerie et de vidéo de pointe, grands modèles linguistiques multimodaux, et plus encore !
[CVPR 2025] Un benchmark complet pour l'analyse et l'évaluation de documents
[ICCV 2025] LLaVA-CoT, un modèle linguistique visuel capable de raisonnement spontané et systématique
Recherche sémantique. Recherchez des photos et vidéos locales grâce au langage naturel. Recherche sémantique par IA de matériel local. Recherche par image, trouver des matériaux locaux, faire correspondre des scènes par des descriptions textuelles, recherche d'images vidéo, recherche de vidéos par descriptions de scènes.
Colivara est une suite de services qui vous permet de stocker, rechercher et récupérer des documents en fonction de leur intégration visuelle. ColiVara offre des performances de récupération à la pointe de la technologie sur les documents textuels et visuels. en utilisant des modèles de vision au lieu du chunking et du traitement de texte pour les documents. Pas d'OCR, pas d'extraction de texte, pas de tableaux brisés ou d'images manquantes.
Ce dépôt fournit des références précieuses pour les chercheurs dans le domaine de la multimodalité, commencez votre voyage d'exploration dans les MLLM de raisonnement basés sur RL !
Dépôt officiel de l'optimisation évolutive des recettes de fusion de modèles
Catalogue visuel soigneusement sélectionné de plus de 200 architectures de modèles de vision et de langage (VLM/MLLM) : articles, schémas, recettes d’entraînement, jeux de données et calendrier de publication des agents d’IA multimodaux.
Une collection d'articles sur le thème ``Computer Vision in the Wild (CVinW)''
[ICML'26 & COLM'26] Série Agent0 : Agents auto-évolutifs à partir de zéro donnée
Catalogue ouvert et étayé par des sources d’agents d’utilisation de l’ordinateur : articles évalués, modèles d’interface graphique, jeux de données, benchmarks, outils et données réutilisables au format JSONL/SQLite.
Les modèles Cosmos-Reason1 comprennent le bon sens physique et génèrent des décisions incarnées appropriées en langage naturel grâce à de longs processus de raisonnement en chaîne de pensée.
ReKep : Raisonnement spatio-temporel des contraintes de points clés relationnels pour la manipulation robotique
Framework léger de post-entraînement pour LLM, prend en charge SFT, RLVR, On-Policy KD, Guide KD et entraînement mixte ; implémente distillation Guide mono/multi-tour, distillation multi-enseignant, entraînement mixte Reward et partitionnement de données automatisé👩🎓👨🎓
Une liste organisée de publications sur la segmentation sémantique à vocabulaire ouvert et les domaines connexes (par exemple, la segmentation sémantique zero-shot) ressources..
Une base de code flexible et efficace pour l'entraînement de modèles linguistiques conditionnés visuellement (VLM)
[NeurIPS' 2025] JarvisArt : Libérer la créativité artistique humaine via un agent intelligent de retouche photo
[ECCV 2024] code officiel pour "Long-CLIP : Débloquer la capacité de texte long de CLIP"
MiniGPT-4 Déploiement chinois Traduction Affiner les détails de déploiement
Une série de modèles de 11B à poids ouverts pour la compréhension de vidéos longues et en temps réel
📖 Ceci est un dépôt pour organiser des articles, du code et d'autres ressources liés aux modèles multimodaux unifiés.
Foire aux questions
Quel est le dépôt #vision-language-models le plus populaire sur GitHub ?
Le projet #vision-language-models open source le mieux classé sur GitHub est Vision-CAIR/MiniGPT-4, avec 25,770 étoiles. Codes open-source pour MiniGPT-4 et MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Quels langages de programmation sont les plus utilisés dans les dépôts #vision-language-models ?
Parmi les projets #vision-language-models les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Rust.
Comment le classement des dépôts #vision-language-models est-il calculé ?
Nous suivons 86 dépôts open source actifs associés à #vision-language-models (500+ étoiles), totalisant 198,329 étoiles, avec une moyenne de 2,306 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.