Git Stars Git Stars

#multimodal-ai リポジトリ

191
リポジトリ総数
589,873
合計スター数
3,088
リポジトリあたりの平均スター数

リポジトリ合計191件

153
stepfun-ai/NextStep-1

[🚀 ICLR 2026 Oral] NextStep-1: 継続トークンを用いたSOTA Autogressive画像生成。StepFunのマルチモーダルインテリジェンスチームが開発した研究プロジェクト。

stepfun-ai
⭐ 696 Python 👤 stepfun-ai Organization 🕐 更新日時 2026-02-27 📅 作成日 2025-08-14
154
Yaofang-Liu/Pusa-VidGen

Pusa: 千ステップビデオ拡散モデル

Yaofang-Liu
⭐ 685 Python 👤 Yaofang-Liu User 🕐 更新日時 2026-02-13 📅 作成日 2025-03-25
155
AlexZhangji/Twitter-Insight-LLM

Twitterのデータスクレイピング、埋め込みベースの画像検索など。

AlexZhangji
⭐ 685 Jupyter Notebook 👤 AlexZhangji User 🕐 更新日時 2024-04-17 📅 作成日 2024-03-05
156
gregsadetsky/sagittarius

GPT-4/Gemini音声/ビデオ探索ツール

gregsadetsky
⭐ 685 TypeScript 👤 gregsadetsky User 🕐 更新日時 2024-01-26 📅 作成日 2023-12-11
157
inclusionAI/Ming

Ming - Ling LLM 上で構築された、高度なマルチモーダルな理解および生成機能を促進します。

inclusionAI
⭐ 683 Jupyter Notebook 👤 inclusionAI Organization 🕐 更新日時 2026-07-27 📅 作成日 2025-04-21
158
ATH-MaaS/Agentic-ADK

Agentic ADKは、Google-ADKとAli-LangEngineをベースに、Alibaba International AI Businessがローンチしたエージェントアプリケーション開発フレームワークです。

ATH-MaaS
⭐ 683 Java 👤 ATH-MaaS Organization 🕐 更新日時 2025-11-24 📅 作成日 2024-11-08
159
pfrankov/obsidian-local-gpt

最大限のプライバシーとオフラインアクセスを実現するローカルOllamaおよびOpenAIライクGPTアシスタンス

pfrankov
⭐ 678 TypeScript 👤 pfrankov User 🕐 更新日時 2026-10-26 📅 作成日 2023-12-03
161
zstar1003/FreeTex

無料のインテリジェント数式認識ソフトウェア

zstar1003
⭐ 668 Python 👤 zstar1003 User 🕐 更新日時 2026-11-17 📅 作成日 2025-05-04
162
snap-research/Panda-70M

[CVPR 2024] Panda-70M: 複数のクロスモダリティ教師による7000万動画のキャプション付け

snap-research
⭐ 659 Python 👤 snap-research Organization 🕐 更新日時 2024-10-25 📅 作成日 2024-02-14
163
videosdk-live/agents

リアルタイムのマルチモーダル対話型AIエージェントを開発するためのオープンソースフレームワーク。

videosdk-live
⭐ 657 Python 👤 videosdk-live Organization 🕐 更新日時 2026-08-07 📅 作成日 2025-05-02
164
yhLeeee/Awesome-LLMs-in-Graph-tasks

グラフ関連タスクにおけるLLMの活用を探求する厳選された研究論文集。

yhLeeee
⭐ 657 👤 yhLeeee User 🕐 更新日時 2025-03-21 📅 作成日 2023-11-17
166
bytedance/comfyui-lumi-batcher

ComfyUI Lumi Batcherは、ComfyUI用に設計されたバッチ処理拡張プラグインであり、ワークフローのデバッグ効率の向上を目指しています。従来のデバッグ方法ではパラメータを一つずつ調整する必要がありましたが、このツールはバッチ処理機能により作業効率を大幅に向上させます。

bytedance
⭐ 651 TypeScript 👤 bytedance Organization 🕐 更新日時 2026-10-10 📅 作成日 2025-05-29
167
Alpha-VLLM/Lumina-mGPT

「Lumina-mGPT:マルチモーダル生成事前学習による柔軟で写真のようなテキストから画像への生成を照らす」の公式実装

Alpha-VLLM
⭐ 648 Python 👤 Alpha-VLLM Organization 🕐 更新日時 2025-10-16 📅 作成日 2024-08-02
⭐ 647 Python 👤 Visual-Agent Organization 🕐 更新日時 2026-02-26 📅 作成日 2025-10-31
169
CY-CHENYUE/ComfyUI-Janus-Pro

Janus-Pro用のComfyUIノード。Janus-Proは、統一されたマルチモーダル理解および生成フレームワークです。

CY-CHENYUE
⭐ 647 Python 👤 CY-CHENYUE User 🕐 更新日時 2025-01-30 📅 作成日 2025-01-27
170
mit-han-lab/hart

HART: ハイブリッド自己回帰トランスフォーマーによる効率的な視覚生成

mit-han-lab
⭐ 647 Python 👤 mit-han-lab Organization 🕐 更新日時 2024-10-16 📅 作成日 2024-10-08
171
SpursGoZmy/Awesome-Tabular-LLMs

「表関連タスクのための大規模言語モデル(LLM)」に関する論文を収集します。例えば、Table QAタスクにLLMを使用することです。「表+LLM」関連論文の整理

SpursGoZmy
⭐ 640 👤 SpursGoZmy User 🕐 更新日時 2026-04-09 📅 作成日 2023-06-28
173
PromtEngineer/localGPT-Vision

ビジョン言語モデルを使用してドキュメントとチャットします。このリポジトリは、ローカルおよびプロプライエタリな VLM を使用したエンドツーエンド RAG パイプラインを実装しています。

PromtEngineer
⭐ 633 Python 👤 PromtEngineer User 🕐 更新日時 2025-07-26 📅 作成日 2024-10-01
174
iSEE-Laboratory/LLMDet

(CVPR 2025 ハイライト✨) 論文「LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models」の公式リポジトリ

iSEE-Laboratory
⭐ 628 Python 👤 iSEE-Laboratory Organization 🕐 更新日時 2026-02-04 📅 作成日 2025-01-30
175
Ucas-HaoranWei/Vary-toy

Vary-toy(小型言語モデルと強化視覚語彙の出会い)の公式コード実装

Ucas-HaoranWei
⭐ 626 Python 👤 Ucas-HaoranWei User 🕐 更新日時 2024-12-30 📅 作成日 2024-01-10
176
microsoft/CLAP

自然言語の監視からのオーディオ概念の学習

microsoft
⭐ 625 Python 👤 microsoft Organization 🕐 更新日時 2024-09-18 📅 作成日 2022-11-02
177
vb000/LookOnceToHear

ヘッドフォンでのリアルタイム音声抽出のための斬新な人間インタラクション方法。

vb000
⭐ 615 Python 👤 vb000 User 🕐 更新日時 2026-07-22 📅 作成日 2024-05-10
178
thu-coai/Glyph

「Glyph: Visual-Text Compressionによるコンテキストウィンドウのスケーリング」の公式リポジトリ

thu-coai
⭐ 612 Python 👤 thu-coai Organization 🕐 更新日時 2025-11-04 📅 作成日 2025-10-20
180
levyflux/AViD

カスタムデータセットでのビジョン言語グラウンディングモデルのファインチューニングを可能にするフレームワーク

levyflux
⭐ 608 Python 👤 levyflux User 🕐 更新日時 2026-08-30 📅 作成日 2025-03-19
181
yushangxiao/claude2api

ClaudeのWebサービスをAPIサービスに変換し、画像認識、ファイルアップロード、思考出力などをサポートします...

yushangxiao
⭐ 606 Go 👤 yushangxiao User 🕐 更新日時 2025-07-01 📅 作成日 2025-03-25
⭐ 604 Jupyter Notebook 👤 generative-ai-on-aws Organization 🕐 更新日時 2024-10-09 📅 作成日 2023-08-24
184
hkproj/pytorch-paligemma

PyTorchでゼロからマルチモーダル(ビジョン)言語モデルをコーディングし、完全な説明付き:https://www.youtube.com/watch?v=vAmKB7iPkWw

hkproj
⭐ 579 Python 👤 hkproj User 🕐 更新日時 2024-12-06 📅 作成日 2024-07-13
186
fufankeji/DeepSeek-OCR-Web

すぐに使える DeepSeek OCRドキュメント解析 Web Studio

fufankeji
⭐ 568 TypeScript 👤 fufankeji User 🕐 更新日時 2025-10-27 📅 作成日 2025-10-23
187
unconv/gpt4v-browsing

GPT-4 Vision APIとPuppeteerによるWebスクレイピング

unconv
⭐ 563 JavaScript 👤 unconv User 🕐 更新日時 2024-01-31 📅 作成日 2023-11-24
189
luogen1996/LaVIN

「Cheap and Quick: Efficient Vision-Language Instruction Tuning for Large Language Models」の公式実装 [NeurIPS 2023]

luogen1996
⭐ 525 Python 👤 luogen1996 User 🕐 更新日時 2024-01-27 📅 作成日 2023-05-15
190
SmartFlowAI/Llama3-Tutorial

Llama3-Tutorial (XTuner, LMDeploy, OpenCompass)

SmartFlowAI
⭐ 511 Python 👤 SmartFlowAI Organization 🕐 更新日時 2024-05-10 📅 作成日 2024-04-19