Git Stars Git Stars

#vision-language-model リポジトリ

#vision-language-modelのタグが付いた、GitHub上の82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263,383個で、プロジェクトあたりの平均は3,211個です。このトピックをリードしているのは、24,232個のスターを獲得しているhaotian-liu/LLaVAです。

82
リポジトリ総数
263,383
合計スター数
3,211
リポジトリあたりの平均スター数

リポジトリ合計82件

1
haotian-liu/LLaVA

[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。

haotian-liu
⭐ 24,232 Python 👤 haotian-liu User 🕐 更新日時 2024-08-12 📅 作成日 2023-04-17
2
datalab-to/surya

OCR、レイアウト分析、読み取り順序、90以上の言語での表認識

datalab-to
⭐ 21,608 Python 👤 datalab-to Organization 🕐 更新日時 2026-11-13 📅 作成日 2024-01-10
3
QwenLM/Qwen3-VL

Qwen3-VLは、Alibaba CloudのQwenチームによって開発されたマルチモーダル大規模言語モデルシリーズです。

QwenLM
⭐ 20,240 Jupyter Notebook 👤 QwenLM Organization 🕐 更新日時 2026-01-30 📅 作成日 2024-08-29
4
datalab-to/chandra

完全なレイアウトで複雑な表、フォーム、手書き文字に対応するOCRモデル。

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 更新日時 2026-11-16 📅 作成日 2025-10-08
5
CVHub520/X-AnyLabeling

X-AnyLabeling:テキスト、画像、動画、点群、マルチモーダルデータのアノテーションに対応した、軽量・高効率で統一されたクロスプラットフォームのデスクトップアプリケーションです。多彩な組み込みツールと最先端のAIモデルを組み合わせ、複数の形式への柔軟なエクスポートにも対応しています。

CVHub520
⭐ 11,004 Python 👤 CVHub520 User 🕐 更新日時 2026-11-18 📅 作成日 2023-05-23
6
m87-labs/moondream

小さなビジョン言語モデル

m87-labs
⭐ 10,167 Python 👤 m87-labs Organization 🕐 更新日時 2026-04-20 📅 作成日 2023-12-29
7
OpenGVLab/InternVL

[CVPR 2024 Oral] InternVL Family: GPT-4o の先駆的なオープンソース代替案。GPT-4o のパフォーマンスに近いオープンソースのマルチモーダル対話モデル

OpenGVLab
⭐ 10,160 Python 👤 OpenGVLab Organization 🕐 更新日時 2025-09-22 📅 作成日 2023-11-22
8
studio-dots-ai/dots.ocr

単一のビジョン・言語モデルにおける多言語ドキュメントレイアウト解析

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 更新日時 2026-03-24 📅 作成日 2025-07-30
9
jingyaogong/minimind-v

👀 わずか2時間で、6500万パラメータのVLMをゼロから学習!

jingyaogong
⭐ 8,868 Python 👤 jingyaogong User 🕐 更新日時 2026-10-27 📅 作成日 2024-09-11
10
Ucas-HaoranWei/GOT-OCR2.0

General OCR Theoryの公式コード実装:統一されたエンドツーエンドモデルによるOCR-2.0へ

Ucas-HaoranWei
⭐ 8,133 Python 👤 Ucas-HaoranWei User 🕐 更新日時 2025-02-10 📅 作成日 2024-09-02
11
QwenLM/Qwen-VL

Alibaba Cloud が提案した Qwen-VL (通义千问-VL) チャット & 事前学習済み大規模ビジョン言語モデルの公式リポジトリ。

QwenLM
⭐ 6,453 Python 👤 QwenLM Organization 🕐 更新日時 2024-08-07 📅 作成日 2023-08-21
12
ByteDance-Seed/Bagel

オープンソース統合マルチモーダルモデル

ByteDance-Seed
⭐ 6,223 Python 👤 ByteDance-Seed Organization 🕐 更新日時 2026-05-04 📅 作成日 2025-04-17
13
Neywa-Labs/mlx-vlm

MLX-VLMは、MLXを使用してMac上でVision Language Models(VLM)の推論とファインチューニングを行うためのパッケージです。

Neywa-Labs
⭐ 5,886 Python 👤 Neywa-Labs Organization 🕐 更新日時 2026-11-21 📅 作成日 2024-04-16
14
volcengine/MineContext

MineContext は、プロアクティブでコンテキストを認識する AI パートナーです(Context-Engineering+ChatGPT Pulse)

volcengine
⭐ 5,553 Python 👤 volcengine Organization 🕐 更新日時 2026-05-07 📅 作成日 2025-06-24
15
deepseek-ai/DeepSeek-VL2

DeepSeek-VL2: 高度なマルチモーダル理解のためのエキスパート混合ビジョン・言語モデル

deepseek-ai
⭐ 5,297 Python 👤 deepseek-ai Organization 🕐 更新日時 2025-02-26 📅 作成日 2024-12-13
16
PKU-Alignment/align-anything

Align Anything: フィードバックによるオールモダリティモデルのトレーニング

PKU-Alignment
⭐ 4,669 Python 👤 PKU-Alignment Organization 🕐 更新日時 2025-11-27 📅 作成日 2024-07-14
17
EvolvingLMMs-Lab/lmms-eval

テキスト、画像、ビデオ、オーディオ タスクのための One-for-All マルチモーダル評価ツールキット

EvolvingLMMs-Lab
⭐ 4,501 Python 👤 EvolvingLMMs-Lab Organization 🕐 更新日時 2026-11-20 📅 作成日 2024-03-07
18
QwenLM/Qwen3.8

Qwen3.8は、Alibaba GroupのQwenチームが開発した大規模言語モデルシリーズです。

QwenLM
⭐ 4,459 👤 QwenLM Organization 🕐 更新日時 2026-08-17 📅 作成日 2025-09-11
19
deepseek-ai/DeepSeek-VL

DeepSeek-VL: 実世界におけるビジョンと言語の理解に向けて

deepseek-ai
⭐ 4,037 Python 👤 deepseek-ai Organization 🕐 更新日時 2024-04-24 📅 作成日 2024-03-07
20
MiniMax-AI/MiniMax-01

線形アテンションに基づく大規模言語モデルおよびビジョン・言語モデルであるMiniMax-Text-01およびMiniMax-VL-01の公式リポジトリ

MiniMax-AI
⭐ 3,445 Python 👤 MiniMax-AI Organization 🕐 更新日時 2025-07-07 📅 作成日 2025-01-14
21
off-grid-ai/OGAM

オフラインAIの「十徳ナイフ」。スマホやMacで、チャット、視覚認識、音声対話、画像生成が可能。GGUF LLM、ビジョン、Whisper音声認識、Stable Diffusion、ツール呼び出し、ローカルネットワークサーバーに対応。CPU、GPU、NPUで動作します。アカウント不要、APIキー不要、データは一切デバイスから外部へ送信されません。

off-grid-ai
⭐ 3,406 TypeScript 👤 off-grid-ai Organization 🕐 更新日時 2026-11-21 📅 作成日 2026-01-29
22
dvlab-research/MGM

"Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"の公式リポジトリ

JIA-Lab-research
⭐ 3,330 Python 👤 JIA-Lab-research Organization 🕐 更新日時 2024-05-04 📅 作成日 2024-03-26
23
jingyi0000/VLM_survey

ビジョンタスクのための素晴らしいビジョン・言語モデルのコレクション

jingyi0000
⭐ 3,132 👤 jingyi0000 User 🕐 更新日時 2026-11-16 📅 作成日 2023-03-30
24
InternLM/InternLM-XComposer

InternLM-XComposer2.5-OmniLive:長期ストリーミングビデオおよびオーディオインタラクションのための包括的なマルチモーダルシステム

InternLM
⭐ 2,925 Python 👤 InternLM Organization 🕐 更新日時 2025-05-26 📅 作成日 2023-09-26
25
illuin-tech/colpali

ColPali、ColQwen2、ColSmolなどのColVisionモデルのトレーニングと推論の実行に使用されるコード。

illuin-tech
⭐ 2,859 Python 👤 illuin-tech Organization 🕐 更新日時 2026-09-21 📅 作成日 2024-06-20
26
BAAI-Agents/Cradle

Cradleフレームワークは、一般コンピュータ制御(GCC)の最初の試みです。Cradleは、最小限の要件を備えた標準化された一般的な環境で、強力な推論能力、自己改善、スキルキュレーションを可能にすることで、エージェントがあらゆるコンピュータタスクを習得できるようにサポートします。

BAAI-Agents
⭐ 2,394 Python 👤 BAAI-Agents Organization 🕐 更新日時 2024-11-07 📅 作成日 2024-03-03
27
NVIDIA-AI-Blueprints/video-search-and-summarization

NVIDIA AI ビデオ検索・要約(VSS)ブループリントは、リアルタイム検証アラート、ビジュアルQ&A、自動レポート機能を備えたビデオ分析エージェントを構築するためのGPUアクセラレーション対応リファレンスアーキテクチャです。VSSブループリントは、NVIDIA Cosmosなどの視覚言語モデル(VLM)、NVIDIA NemotronなどのLLM、RAG、およびNVIDIA NIMを使用します。

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 更新日時 2026-11-21 📅 作成日 2024-10-22
28
2U1/Qwen-VL-Series-Finetune

Alibaba CloudによるQwen-VLシリーズのファインチューニングのためのオープンソース実装。

2U1
⭐ 1,983 Python 👤 2U1 User 🕐 更新日時 2026-09-09 📅 作成日 2024-09-10
29
showlab/ShowUI

[CVPR 2025] GUIエージェントとコンピューター使用のためのオープンソース、エンドツーエンド、ビジョン・言語・アクションモデル。

showlab
⭐ 1,932 Python 👤 showlab Organization 🕐 更新日時 2026-04-24 📅 作成日 2024-10-31
30
Thinklab-SJTU/Awesome-LLM4AD

自律走行(LLM4AD)のための優れたLLM/VLM/VLA/ワールドモデルリソースの精選リスト(継続的に更新)

Thinklab-SJTU
⭐ 1,907 👤 Thinklab-SJTU Organization 🕐 更新日時 2026-10-15 📅 作成日 2023-10-06
31
AlibabaResearch/AdvancedLiterateMachinery

高度な文学機械に向けた、オリジナルで革新的なアイデアとアルゴリズムのコレクション。このプロジェクトは、Alibaba GroupのTongyi LabのLanguage Technology LabのOCRチームによって維持されています。

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 更新日時 2026-03-17 📅 作成日 2022-09-28
⭐ 1,795 Python 👤 microsoft Organization 🕐 更新日時 2026-11-02 📅 作成日 2026-06-15
33
ZJU4HealthCare/HealthGPT

【ICML 2025 Spotlight】 論文‘’HealthGPT : A Medical Large Vision-Language Model for Unifying Comprehension and Generation via Heterogeneous Knowledge Adaptation‘’ の公式リポジトリ

ZJU4HealthCare
⭐ 1,673 Python 👤 ZJU4HealthCare Organization 🕐 更新日時 2026-07-31 📅 作成日 2025-02-17
34
waybarrios/vllm-mlx

Apple Silicon 向けの高性能な OpenAI および Anthropic 互換 LLM 推論サーバー。ネイティブ MLX、継続的バッチ処理、マルチモーダルモデル、MCP ツール呼び出し、Claude Code サポート。

waybarrios
⭐ 1,657 Python 👤 waybarrios User 🕐 更新日時 2026-11-07 📅 作成日 2025-12-06
35
ByteDance-Seed/Seed1.5-VL

Seed1.5-VLは、汎用的なマルチモーダル理解と推論を推進するために設計されたビジョン言語基盤モデルであり、60の公開ベンチマークのうち38で最先端のパフォーマンスを達成しています。

ByteDance-Seed
⭐ 1,581 Jupyter Notebook 👤 ByteDance-Seed Organization 🕐 更新日時 2025-06-14 📅 作成日 2025-05-11
36
ATH-MaaS/Ovis

視覚的およびテキスト的な埋め込みを構造的に整合するように設計された、新しいマルチモーダル大規模言語モデル(MLLM)アーキテクチャ。

ATH-MaaS
⭐ 1,536 Python 👤 ATH-MaaS Organization 🕐 更新日時 2026-07-15 📅 作成日 2024-06-13
37
emcf/thepipe

ビジョン・言語モデルを活用し、扱いにくい文書からクリーンなデータを取得 ⚡

emcf
⭐ 1,529 Python 👤 emcf User 🕐 更新日時 2026-09-28 📅 作成日 2024-03-22
38
NVlabs/describe-anything

[ICCV 2025] Describe Anything の実装:詳細なローカライズされた画像およびビデオキャプショニング

NVlabs
⭐ 1,497 Python 👤 NVlabs Organization 🕐 更新日時 2025-06-26 📅 作成日 2025-04-04
39
ARahim3/mlx-tune

Apple Silicon搭載のMacでLLMをファインチューニング。SFT、DPO、GRPO、Vision、TTS、STT、Embedding、OCRのファインチューニング — MLX上でネイティブ対応。Unsloth互換API。

ARahim3
⭐ 1,475 Python 👤 ARahim3 User 🕐 更新日時 2026-06-23 📅 作成日 2026-01-03
40
llm-jp/awesome-japanese-llm

日本語LLMまとめ - Overview of Japanese LLMs

llm-jp
⭐ 1,446 TypeScript 👤 llm-jp Organization 🕐 更新日時 2026-11-09 📅 作成日 2023-07-09
41
ATH-MaaS/Awesome-Unified-Multimodal-Models

素晴らしい統一マルチモーダルモデル

ATH-MaaS
⭐ 1,325 👤 ATH-MaaS Organization 🕐 更新日時 2026-03-24 📅 作成日 2025-05-07
42
Meituan-AutoML/MobileVLM

モバイルデバイス向けの強力でオープンなビジョン言語アシスタント

Meituan-AutoML
⭐ 1,317 Python 👤 Meituan-AutoML Organization 🕐 更新日時 2024-04-15 📅 作成日 2023-12-29
43
NVlabs/prismer

「Prismer: マルチタスクエキスパートを備えたビジョン・言語モデル」の実装。

NVlabs
⭐ 1,308 Python 👤 NVlabs Organization 🕐 更新日時 2024-01-17 📅 作成日 2023-03-02
44
Anionex/agent-vision-toolkit

テキストのみのモデルが画像を「見る」ためのより良いビジョンツールキットとスキルを設計し、複数画像の理解、画像Q&A、フロントエンドUIの復元、GUI自動化などをサポートし、オプションで複数の主流エージェントとシームレスに統合し、貼り付け画像を直接認識します | テキストのみのLLM向けに設計されたビジョンツールキットとスキル:画像Q&A、長いスクリーンショットのOCR、フロントエンドUIの復元、GUI自動化、Codex、Claude Code、Pi、Oh My Pi、OpenCodeとのオプションのシームレス統合

Anionex
⭐ 1,267 Python 👤 Anionex User 🕐 更新日時 2026-10-13 📅 作成日 2026-08-01
45
EvolvingLMMs-Lab/LLaVA-OneVision-2.5

民主化されたマルチモーダルトレーニングのための完全にオープンなフレームワーク

EvolvingLMMs-Lab
⭐ 1,245 Python 👤 EvolvingLMMs-Lab Organization 🕐 更新日時 2026-11-18 📅 作成日 2025-09-16
46
MoonshotAI/Kimi-VL

Kimi-VL:マルチモーダル推論、長文脈理解、強力なエージェント機能のためのMixture-of-Expertsビジョン言語モデル

MoonshotAI
⭐ 1,203 👤 MoonshotAI Organization 🕐 更新日時 2025-07-15 📅 作成日 2025-04-09
47
SkalskiP/vlms-zero-to-hero

このシリーズでは、NLPとコンピュータービジョンの基本から、最先端のビジョン・言語モデルへの旅にご案内します。

SkalskiP
⭐ 1,172 Jupyter Notebook 👤 SkalskiP User 🕐 更新日時 2025-01-23 📅 作成日 2024-12-20
48
ZJUI-AI4H/Hulu-Med

包括的な医療視覚言語理解に向けた透明な汎用モデル

ZJUI-AI4H
⭐ 1,031 Python 👤 ZJUI-AI4H User 🕐 更新日時 2026-08-30 📅 作成日 2025-10-08
49
OpenBMB/VisRAG

VLMsによってサポートされる解析フリーRAG

OpenBMB
⭐ 991 Python 👤 OpenBMB Organization 🕐 更新日時 2026-11-02 📅 作成日 2024-10-14
50
mbzuai-oryx/groundingLMM

[CVPR 2024 🔥] オブジェクトセグメンテーションマスクとシームレスに統合された自然言語応答を生成できる、初のモデルである GLaMM (Grounding Large Multimodal Model) です。

mbzuai-oryx
⭐ 969 Python 👤 mbzuai-oryx Organization 🕐 更新日時 2026-09-05 📅 作成日 2023-11-02

よくある質問

1

GitHubで最も人気のある#vision-language-model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#vision-language-modelプロジェクトは、24,232個のスターを獲得しているhaotian-liu/LLaVAです。[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。

2

#vision-language-model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#vision-language-modelプロジェクトでは、Python, Jupyter Notebook, TypeScript, C++が最も一般的なプログラミング言語です。

3

#vision-language-model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?

#vision-language-modelのタグが付いた82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263,383個で、リポジトリあたりの平均は3,211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。