#multimodal リポジトリ
#multimodalのタグが付いた、GitHub上の183件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は700,629個で、プロジェクトあたりの平均は3,828個です。このトピックをリードしているのは、68,480個のスターを獲得しているMintplex-Labs/anything-llmです。
リポジトリ合計183件
『AIエージェントの深層理解:設計原理とエンジニアリングの実践』(李博傑 著)オープンソースメインリポジトリ:全編本文、コンパイル済みPDF、および章ごとの付随コード。
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) は、GPT-4V レベルの機能、さらにはそれ以上の機能を目指して構築されました。
YC (S26) | Screenpipeが自動化する価値のある作業を見つける | コンピューターでの作業をローカルで継続的に記録し、繰り返し行われるワークフローを見つけて、その結果をすでに使っている任意のエージェントに渡します。
600以上のLLM(Qwen3.8、DeepSeek-V4、GLM-5.1、InternLM3、Llama4など)および300以上のMLLM(Qwen3-VL、Qwen3-Omni、InternVL3.5、Ovis2.5、GLM5.3、Gemma4、LLaVA、Phi4など)に対して、PEFTまたは全パラメータ学習を用いてCPT/SFT/DPO/GRPOを実行します(AAAI 2025)。
🔍大規模モデル応用開発実践編1:RAG技術のフルスタックガイド、オンライン閲覧アドレス:https://datawhalechina.github.io/all-in-rag/
https://arxiv.org/abs/2606.28344. ウェブパースの終焉。スケーラブルなピクセルネイティブ検索の始まり。リンク: https://pixelrag.ai/
テーブルデータ、時系列、グラフ、テキスト、画像、音声データにわたる異常検知のためのPythonライブラリ。60以上の検知器、ベンチマークに基づいたADEngineオーケストレーション、およびAIエージェント向けの自律型ワークフローを備えています。
DeeplakeはエージェントのためのAIデータランタイムです。サーバーレスPostgreSQLとマルチモーダルデータレイクを提供し、スケーラブルな検索とトレーニングを可能にします。
AppleのMLXフレームワーク上に構築されたテキスト読み上げ(TTS)、音声認識(STT)、音声間音声変換(STS)ライブラリで、Apple Siliconでの効率的な音声分析を提供します。
JavaScript、Go、Dart、Pythonでエージェントアプリを構築するためのオープンソースフレームワーク。Googleによって構築され、本番環境で使用されています
写真、PDF、ドキュメント、録音、動画、コードなど、ファイルの内容からパソコン内を検索できます。Mac、Windows、Linux上でデバイス内処理を行い、Google DeepMindのEmbeddingGemma 2を基盤としています。
新しいAI開発に追いつくソフトウェアエンジニア向けのノート。https://latent.space の執筆や製品のアイデア出しのデータストアとして機能しますが、/Resources フォルダの下には整理された標準的な参照資料があります。
DeepSeek Harness の最初のビジョンプラグインであり、すべてのテキストのみのコーディングエージェントのためのビジョンブリッジです。画像を貼り付けると、構造化されたJSONエビデンス(OCR、レイアウト、セマンティクス)が得られます。
Tree of Thoughts"のプラグアンドプレイ実装:大規模言語モデルによる意図的な問題解決により、モデルの推論能力を少なくとも70%向上
Fengshenbang-LM(封神榜大模型)は、IDEA研究所の認知計算・自然言語研究センターが主導する大規模モデルのオープンソースシステムであり、中国のAIGCと認知インテリジェンスのインフラストラクチャとなっています。
🤖 OpenAI、Anthropic、Gemini、React、Vue、Svelte、Solidに対応した、型安全かつプロバイダー非依存のストリーミングチャット、ツール呼び出し、エージェント、マルチモーダルアプリ向けTypeScript AI SDK。
拡張可能で最先端の列指向圧縮フレームワークであり、最速のFOSS列指向ファイル形式です。以前は@spiraldbに所属、現在はLFAI&Dataのインキュベーション段階プロジェクトで、Linux Foundationの一部です。
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
InternGPT (iGPT)は、AIモデルを簡単に紹介できるオープンソースのデモプラットフォームです。現在、DragGAN、ChatGPT、ImageBind、GPT-4のようなマルチモーダルチャット、SAM、インタラクティブな画像編集などをサポートしています。igpt.opengvlab.comでお試しください(DragGAN、ChatGPT、ImageBind、SAMをサポートするオンラインデモシステム)。
よくある質問
GitHubで最も人気のある#multimodalリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#multimodalプロジェクトは、68,480個のスターを獲得しているMintplex-Labs/anything-llmです。知性をレンタルするのはやめましょう。AnythingLLMで所有しましょう。強力なローカルファーストエージェント体験に必要なすべて
#multimodalリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#multimodalプロジェクトでは、Python, TypeScript, Rust, C++が最も一般的なプログラミング言語です。
#multimodalリポジトリのランキングはどのように算出されていますか?
#multimodalのタグが付いた183件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は700,629個で、リポジトリあたりの平均は3,828個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。