#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。
リポジトリ合計82件
[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。
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。
[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
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)
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
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。
"Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"の公式リポジトリ
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
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。
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。
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。
【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
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。
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。
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。
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
[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。
よくある質問
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。
#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。
#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。