#vision-language-model Repository
Scopri 82 repository GitHub open source attivi contrassegnati con #vision-language-model, che raccolgono un totale di 263,383 stelle (con una media di 3,211 stelle per progetto). Il progetto leader di questo argomento è haotian-liu/LLaVA, con 24,232 stelle.
82 repository in totale
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) è stato creato per capacità di livello GPT-4V e oltre.
OCR, analisi del layout, ordine di lettura, riconoscimento tabelle in oltre 90 lingue
Qwen3-VL è la serie di modelli linguistici di grandi dimensioni multimodali sviluppata dal team Qwen di Alibaba Cloud.
Modello OCR che gestisce tabelle complesse, moduli e scrittura a mano con layout completo.
X-AnyLabeling: un’applicazione desktop multipiattaforma, leggera, efficiente e unificata per annotare testi, immagini, video, nuvole di punti e dati multimodali. Combina versatili strumenti integrati con modelli di IA all’avanguardia e offre flessibili opzioni di esportazione in più formati.
[CVPR 2024 Oral] InternVL Family: Un'alternativa open-source pionieristica a GPT-4o. Un modello di dialogo multimodale open-source con prestazioni vicine a GPT-4o.
Analisi del layout di documenti multilingue in un singolo modello Vision-Language
Implementazione ufficiale del codice della General OCR Theory: verso OCR-2.0 tramite un modello unificato end-to-end
Il repository ufficiale di Qwen-VL (通义千问-VL) chat & modello linguistico visivo preaddestrato di grandi dimensioni proposto da Alibaba Cloud.
MLX-VLM è un pacchetto per l'inferenza e il fine-tuning di Vision Language Models (VLM) sul tuo Mac utilizzando MLX.
MineContext è il tuo partner AI proattivo e consapevole del contesto (Context-Engineering+ChatGPT Pulse)
DeepSeek-VL2: Modelli Vision-Language Mixture-of-Experts per una Comprensione Multimodale Avanzata
Toolkit di valutazione multimodale One-for-All per attività testuali, di immagini, video e audio
Qwen3.8 è una serie di modelli linguistici di grandi dimensioni sviluppata dal team Qwen di Alibaba Group.
Il repository ufficiale di MiniMax-Text-01 e MiniMax-VL-01, modello linguistico di grandi dimensioni e modello visione-linguaggio basato sull'attenzione lineare
Il coltellino svizzero dell'IA offline. Chatta, guarda, parla e genera immagini sul tuo telefono o Mac: LLM GGUF, visione, sintesi vocale Whisper, Stable Diffusion, chiamate a strumenti e server di rete locale. Funziona sulla tua CPU, GPU o NPU. Nessun account, nessuna chiave API, nessun dato lascia il tuo dispositivo.
Repository ufficiale per "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"
InternLM-XComposer2.5-OmniLive: Un sistema multimodale completo per interazioni audio e video in streaming a lungo termine
Il codice utilizzato per addestrare ed eseguire inferenze con i modelli ColVision, ad esempio ColPali, ColQwen2 e ColSmol.
Il framework Cradle è un primo tentativo di General Computer Control (GCC). Cradle supporta gli agenti per eccellere in qualsiasi attività informatica abilitando forti capacità di ragionamento, auto-miglioramento e cura delle competenze, in un ambiente generale standardizzato con requisiti minimi.
Il Blueprint AI di NVIDIA per la ricerca e il riepilogo video (VSS) è un'architettura di riferimento accelerata da GPU per costruire agenti di analisi video con avvisi verificati in tempo reale, domande e risposte visive e report automatizzati. Il Blueprint VSS utilizza modelli di linguaggio visivo (VLM) come NVIDIA Cosmos, LLM come NVIDIA Nemotron, RAG e NVIDIA NIM.
Un'implementazione open-source per l'affinamento della serie Qwen-VL di Alibaba Cloud.
[CVPR 2025] Modello open-source, end-to-end, Vision-Language-Action per agenti GUI e uso del computer.
Un elenco curato di fantastici risorse LLM/VLM/VLA/World Model per la guida autonoma (LLM4AD) (aggiornato continuamente)
Una raccolta di idee e algoritmi originali e innovativi per macchine letterarie avanzate. Questo progetto è mantenuto dal Team OCR nel Language Technology Lab, Tongyi Lab, Alibaba Group.
【ICML 2025 Spotlight】 Repository ufficiale per l'articolo “HealthGPT: Un modello linguistico visivo medico su larga scala per unificare comprensione e generazione tramite adattamento della conoscenza eterogene”
Server di inferenza LLM ad alte prestazioni compatibile con OpenAI e Anthropic per Apple Silicon. MLX nativo, batching continuo, modelli multimodali, chiamate di strumenti MCP e supporto per Claude Code.
Seed1.5-VL, un modello fondazionale vision-language progettato per migliorare la comprensione e il ragionamento multimodale di uso generale, ottenendo prestazioni all'avanguardia su 38 dei 60 benchmark pubblici.
Una nuova architettura Multimodal Large Language Model (MLLM), progettata per allineare strutturalmente gli embedding visivi e testuali.
Ottieni dati puliti da documenti complessi, potenziati dai modelli vision-language ⚡
[ICCV 2025] Implementazione per Describe Anything: Didascalia dettagliata localizzata di immagini e video
Fine-tune LLMs sul tuo Mac con Apple Silicon. SFT, DPO, GRPO, Visione, TTS, STT, Embedding e fine-tuning OCR — nativamente su MLX. API compatibile con Unsloth.
L'implementazione di "Prismer: un modello Vision-Language con esperti multi-task".
Progetta un kit di strumenti e competenze visive migliore per i modelli di solo testo per "vedere" le immagini, supportando la comprensione multi-immagine, domande e risposte sulle immagini, ripristino dell'interfaccia frontend, automazione della GUI, ecc., con integrazione opzionale senza soluzione di continuità con più agenti principali e riconoscimento diretto delle immagini incollate | Un kit di strumenti e competenze visive progettato per LLM di solo testo: domande e risposte sulle immagini, OCR di screenshot lunghi, ripristino dell'interfaccia frontend e automazione della GUI, con integrazione opzionale senza soluzione di continuità per Codex, Claude Code, Pi, Oh My Pi e OpenCode
Framework completamente aperto per l'addestramento multimodale democratizzato
Kimi-VL: Modello Vision-Language Mixture-of-Experts per il Ragionamento Multimodale, la Comprensione del Lungo Contesto e Forti Capacità di Agente
Questa serie ti accompagnerà in un viaggio dai fondamenti di NLP e Computer Vision fino all'avanguardia dei modelli Vision-Language.
Un modello generalista trasparente verso una comprensione olistica visione-linguaggio in ambito medico
[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), il primo modello del suo genere in grado di generare risposte in linguaggio naturale integrate in modo impeccabile con maschere di segmentazione di oggetti.
Domande frequenti
Qual è il repository #vision-language-model più popolare su GitHub?
Il progetto open source #vision-language-model più alto in classifica su GitHub è haotian-liu/LLaVA, con 24,232 stelle. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) è stato creato per capacità di livello GPT-4V e oltre.
Quali linguaggi di programmazione sono più utilizzati nei repository #vision-language-model?
Tra i progetti #vision-language-model più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, TypeScript, C++.
Come viene calcolata la classifica dei repository #vision-language-model?
Monitoriamo 82 repository open source attivi contrassegnati con #vision-language-model (500+ stelle), per un totale di 263,383 stelle e una media di 3,211 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.