#foundation-models Repository
Scopri 155 repository GitHub open source attivi contrassegnati con #foundation-models, che raccolgono un totale di 525,346 stelle (con una media di 3,389 stelle per progetto). Il progetto leader di questo argomento è facebookresearch/segment-anything, con 53,052 stelle.
155 repository in totale
Il repository fornisce il codice per l'esecuzione dell'inferenza con il SegmentAnything Model (SAM), collegamenti per il download dei checkpoint del modello addestrato e notebook di esempio che mostrano come utilizzare il modello.
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) è stato creato per capacità di livello GPT-4V e oltre.
Pre-allenamento auto-supervisionato su larga scala attraverso compiti, lingue e modalità
Il repository fornisce codice per eseguire l'inferenza con il Meta Segment Anything Model 2 (SAM 2), collegamenti per il download dei checkpoint del modello addestrato ed esempi di notebook che mostrano come utilizzare il modello.
[WIP] Risorse per ingegneri AI. Contiene anche materiale di supporto per il libro AI Engineering (Chip Huyen, 2025)
YuE2: generazione musicale all’avanguardia con pianificazione simbolica, cover zero-shot e editing musicale agentico.
Il repository fornisce il codice per eseguire l'inferenza e il finetuning con il Meta Segment Anything Model 3 (SAM 3), link per scaricare i checkpoint del modello addestrato ed esempi di notebook che mostrano come utilizzare il modello.
Moshi è un modello di base speech-text e un framework di dialogo vocale full-duplex. Utilizza Mimi, un codec audio neurale in streaming all'avanguardia.
Una libreria Python per il rilevamento di anomalie su dati tabulari, serie temporali, grafi, testo, immagini e audio. Include oltre 60 rilevatori, un'orchestrazione ADEngine basata su benchmark e un flusso di lavoro agentico per agenti IA.
OpenSquilla — Agente IA efficiente nei token con lo stesso budget, maggiore densità di intelligenza
Chronos: Modelli pre-addestrati per la previsione di serie temporali
LimiX: Liberare la capacità di modellazione dei dati strutturati per un’intelligenza generalista https://arxiv.org/abs/2609.17488
TimeGPT-2.1: modello fondazionale preaddestrato per serie temporali, pronto per la produzione, per le previsioni e il rilevamento delle anomalie. Un transformer generativo preaddestrato per serie temporali, addestrato su oltre 100 miliardi di punti dati. È in grado di effettuare previsioni accurate in vari ambiti, come vendita al dettaglio, elettricità, finanza e IoT, con solo poche righe di codice 🚀.
Codice e modelli PyTorch per l'apprendimento auto-supervisionato V-JEPA dai video.
Grounded SAM 2: Traccia e individua qualsiasi cosa nei video con Grounding DINO, Florence-2 e SAM 2
Il repository fornisce il codice per eseguire l'inferenza con il Meta Segment Anything Audio Model (SAM-Audio), link per scaricare i checkpoint del modello addestrato e notebook di esempio che mostrano come utilizzare il modello.
Codice e modelli per il paper ICML 2024, NExT-GPT: Modello linguistico multimodale di grandi dimensioni Any-to-Any
[CVPR2024 Highlight][VideoChatGPT] ChatGPT con comprensione video! E molti altri LM supportati come miniGPT4, StableLM e MOSS.
SuperCLUE: Benchmark completo per modelli linguistici di grandi dimensioni in cinese | Un benchmark per modelli di fondazione in cinese
Otter, un modello multimodale basato su OpenFlamingo (versione open-source di Flamingo di DeepMind), addestrato su MIMIC-IT e che mostra migliorate capacità di seguire istruzioni e apprendimento in-context.
Repository ufficiale di MOSS-Image, un modello DiT di base da 5 miliardi di parametri con rendering del testo di alta qualità, generazione di layout e fine-tuning efficiente.
[CVPR 2025 Best Paper Nomination] FoundationStereo: Zero-Shot Stereo Matching
Holistic Evaluation of Language Models (HELM) è un framework Python open source creato dal Center for Research on Foundation Models (CRFM) di Stanford per la valutazione olistica, riproducibile e trasparente di modelli di fondazione, inclusi modelli linguistici di grandi dimensioni (LLM) e modelli multimodali.
Immagini per inferenza senza etichettatura (utilizzare modelli di base per addestrare modelli supervisionati).
GigaBrain-0: Un modello visione-linguaggio-azione alimentato da un modello del mondo
[ECCV2024] Modelli Fondamentali Video e Dati per la Comprensione Multimodale
Awesome-LLM-3D: un elenco curato di modelli linguistici di grandi dimensioni multimodali nel mondo 3D Risorse
[CVPR 2025] Implementazione ufficiale PyTorch di MambaVision: Un backbone ibrido Mamba-Transformer per la visione
Cose fantastiche sugli agenti basati su LLM. Paper / Repos / Blog / ...
Questo è un workshop progettato per Amazon Bedrock, un servizio di modelli fondamentali.
Un valutatore automatico per modelli linguistici che seguono istruzioni. Validato dagli esseri umani, di alta qualità, economico e veloce.
Domande frequenti
Qual è il repository #foundation-models più popolare su GitHub?
Il progetto open source #foundation-models più alto in classifica su GitHub è facebookresearch/segment-anything, con 53,052 stelle. Il repository fornisce il codice per l'esecuzione dell'inferenza con il SegmentAnything Model (SAM), collegamenti per il download dei checkpoint del modello addestrato e notebook di esempio che mostrano come utilizzare il modello.
Quali linguaggi di programmazione sono più utilizzati nei repository #foundation-models?
Tra i progetti #foundation-models più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook.
Come viene calcolata la classifica dei repository #foundation-models?
Monitoriamo 155 repository open source attivi contrassegnati con #foundation-models (500+ stelle), per un totale di 525,346 stelle e una media di 3,389 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.