#vision-language-models Repository
Scopri 86 repository GitHub open source attivi contrassegnati con #vision-language-models, che raccolgono un totale di 198,329 stelle (con una media di 2,306 stelle per progetto). Il progetto leader di questo argomento è Vision-CAIR/MiniGPT-4, con 25,770 stelle.
86 repository in totale
Codici open-source per MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Questo repository contiene l'implementazione ufficiale di "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
Il repository più semplice e veloce per l'addestramento/il fine-tuning di VLM di piccole dimensioni.
Infrastruttura di visione per trasformare documenti complessi in dati pronti per gli LLM
VILA è una famiglia di modelli visivi linguistici (VLM) all'avanguardia per diversi compiti di intelligenza artificiale multimodale su edge, data center e cloud.
Un elenco curato di ricerche all'avanguardia nell'IA incarnata, incentrato su modelli visione-linguaggio-azione (VLA), navigazione visione-linguaggio (VLN) e approcci correlati all'apprendimento multimodale.
[NeurIPS 2025] OmniSVG è la prima famiglia di generatori SVG multimodali end-to-end che sfruttano modelli Vision-Language (VLM) pre-addestrati, in grado di generare SVG complessi e dettagliati, da semplici icone ad intricati personaggi anime.
Modelli CLIP" all'avanguardia per immagini e video, modelli linguistici di grandi dimensioni multimodali e altro ancora!
[CVPR 2025] Un benchmark completo per l'analisi e la valutazione dei documenti
[ICCV 2025] LLaVA-CoT, un modello linguistico visivo in grado di ragionamento spontaneo e sistematico
Ricerca semantica. Cerca foto e video locali tramite linguaggio naturale. Ricerca semantica AI di materiale locale. Cerca per immagine, trova materiale locale, abbina scene tramite descrizioni testuali, ricerca frame video, cerca video tramite descrizioni di scene.
Colivara è una suite di servizi che consente di archiviare, cercare e recuperare documenti in base al loro embedding visivo. ColiVara ha prestazioni di recupero all'avanguardia sia per documenti di testo che visivi. utilizzando modelli di visione anziché chunking ed elaborazione del testo per i documenti. Nessun OCR, nessuna estrazione di testo, nessuna tabella interrotta o immagini mancanti.
Questo repository fornisce preziosi riferimenti per i ricercatori nel campo della multimodalità, inizia il tuo viaggio esplorativo nei MLLM di ragionamento basati su RL!
Repository ufficiale dell'ottimizzazione evolutiva delle ricette di fusione dei modelli
Catalogo visivo selezionato di oltre 200 architetture di modelli visione-linguaggio (VLM/MLLM): articoli, diagrammi, ricette di addestramento, set di dati e cronologia dei rilasci degli agenti IA multimodali.
Una raccolta di articoli sul tema ``Computer Vision in the Wild (CVinW)''
Costruzione di robot per scopi generali basati su modelli fondazionali incarnati
Catalogo aperto e documentato con fonti di agenti per l’uso del computer: articoli esaminati, modelli GUI, dataset, benchmark, strumenti e dati riutilizzabili in JSONL/SQLite.
I modelli Cosmos-Reason1 comprendono il senso comune fisico e generano appropriate decisioni incarnate in linguaggio naturale attraverso lunghi processi di ragionamento a catena di pensiero.
ReKep: Ragionamento spazio-temporale di vincoli di checkpoint relazionali per la manipolazione robotica
Framework leggero per il post-addestramento di LLM, supporta SFT, RLVR, On-Policy KD, Guide KD e addestramento misto; implementa distillazione Guide a una/more round, distillazione multi-insegnante, addestramento misto Reward e sharding dati automatizzato👩🎓👨🎓
Un elenco curato di pubblicazioni sulla segmentazione semantica a vocabolario aperto e aree correlate (ad es. segmentazione semantica zero-shot) risorse..
Una codebase flessibile ed efficiente per l'addestramento di modelli linguistici visivamente-condizionati (VLM)
[NeurIPS' 2025] JarvisArt: Liberare la creatività artistica umana tramite un agente intelligente per il ritocco fotografico
[ECCV 2024] codice ufficiale per "Long-CLIP: Sblocco della capacità di testo lungo di CLIP"
MiniGPT-4 Implementazione cinese Traduzione Dettagli di implementazione perfezionati
Una serie di modelli da 11B a pesi aperti per la comprensione di video di lunga durata e in tempo reale
📖 Questo è un repository per organizzare articoli, codici e altre risorse relative a modelli multimodali unificati.
Domande frequenti
Qual è il repository #vision-language-models più popolare su GitHub?
Il progetto open source #vision-language-models più alto in classifica su GitHub è Vision-CAIR/MiniGPT-4, con 25,770 stelle. Codici open-source per MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Quali linguaggi di programmazione sono più utilizzati nei repository #vision-language-models?
Tra i progetti #vision-language-models più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, Rust.
Come viene calcolata la classifica dei repository #vision-language-models?
Monitoriamo 86 repository open source attivi contrassegnati con #vision-language-models (500+ stelle), per un totale di 198,329 stelle e una media di 2,306 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.