Git Stars Git Stars

#vision-language-model リポジトリ

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

51
Anionex/dsh-vision-toolkit

[dsh] テキストのみのモデル向けに設計された、より強力なビジュアルツールキット:1行でインストールして利用、画像を貼り付けるだけの直接認識、複数画像への質問応答、スクリーンショットからフロントエンドUIへの復元など|agent-vision-toolkit向けDeepSeek Harnessネイティブ統合:画像Q&A、長いスクリーンショットのOCR、UI復元、グラウンディング、ピクセル差分、Artifacts、Web UI。

Anionex
⭐ 949 TypeScript 👤 Anionex User 🕐 更新日時 2026-11-21 📅 作成日 2026-08-13
52
PKU-YuanGroup/Chat-UniVi

【CVPR 2024 Highlight🔥】Chat-UniVi:統一されたビジュアル表現が大規模言語モデルに画像とビデオの理解能力を付与

PKU-YuanGroup
⭐ 943 Python 👤 PKU-YuanGroup Organization 🕐 更新日時 2024-10-16 📅 作成日 2023-11-13
53
Valen-Team/Valen

テキスト、画像、動画に対応した、0.8B~27Bのオープンなマルチモーダル意思決定モデル。テキストを生成する代わりに、独自の候補に確率を割り当てて判断し、バウンディングボックスで位置を特定します。無料API、ONNX、GGUF、vLLM、SGLangに対応。ファインチューニング用コードも付属。

Valen-Team
⭐ 932 Python 👤 Valen-Team Organization 🕐 更新日時 2026-11-15 📅 作成日 2026-09-23
54
facebookresearch/ShapeR

ShapeR研究論文のコード

facebookresearch
⭐ 904 Python 👤 facebookresearch Organization 🕐 更新日時 2026-04-30 📅 作成日 2026-01-14
55
SkalskiP/top-cvpr-2025-papers

概要 このリポジトリは、最もエキサイティングで影響力のあるCVPR 2025の論文を厳選したコレクションです。🔥 [論文 + コード + デモ]

SkalskiP
⭐ 899 Python 👤 SkalskiP User 🕐 更新日時 2026-04-15 📅 作成日 2025-05-31
56
xlang-ai/OpenCUA

[NeurIPS 2025 Spotlight] OpenCUA:コンピュータ使用エージェントのためのオープン基盤

xlang-ai
⭐ 877 Python 👤 xlang-ai Organization 🕐 更新日時 2026-05-25 📅 作成日 2025-06-21
57
SunzeY/AlphaCLIP

[CVPR 2024] Alpha-CLIP:どこでもフォーカスできるCLIPモデル

SunzeY
⭐ 876 Jupyter Notebook 👤 SunzeY User 🕐 更新日時 2025-07-20 📅 作成日 2023-11-27
59
OpenMOSS/MOSS-VL

長時間の動画およびリアルタイム動画の理解に対応した、オープンウェイトの11Bモデルシリーズ

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 更新日時 2026-10-14 📅 作成日 2026-04-08
60
mlfoundations/MINT-1T

🍃 MINT-1T:1兆トークンからなるマルチモーダルなインターリーブデータセット。

mlfoundations
⭐ 828 👤 mlfoundations Organization 🕐 更新日時 2024-07-31 📅 作成日 2024-06-16
61
zubair-irshad/Awesome-Robotics-3D

LLM/VLM、すなわち大規模モデルの時代におけるロボティクス分野に関連する3Dビジョン論文のキュレーションリスト。awesome-computer-visionに触発され、論文、コード、関連ウェブサイトを含む

zubair-irshad
⭐ 824 👤 zubair-irshad User 🕐 更新日時 2025-12-17 📅 作成日 2024-08-12
62
huangwl18/VoxPoser

VoxPoser: 言語モデルによるロボット操作のためのComposable 3Dバリューマップ

huangwl18
⭐ 806 Python 👤 huangwl18 User 🕐 更新日時 2025-02-20 📅 作成日 2023-11-02
63
zhengli97/Awesome-Prompt-Adapter-Learning-for-VLMs-CLIP

CLIPのようなビジョン言語モデルのための、厳選された素晴らしいプロンプト/アダプター学習方法のリストです。

zhengli97
⭐ 802 👤 zhengli97 User 🕐 更新日時 2026-07-17 📅 作成日 2024-03-15
64
2toinf/X-VLA

[ICLR 2026] 「Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model」の公式実装

2toinf
⭐ 762 C++ 👤 2toinf User 🕐 更新日時 2026-10-20 📅 作成日 2025-09-25
65
magicrew/doc7

視覚的理解を用いてドキュメントをAI対応のMarkdownに変換

magicrew
⭐ 719 Go 👤 magicrew Organization 🕐 更新日時 2026-08-07 📅 作成日 2026-08-02
66
NVlabs/OmniVinci

OmniVinciは、視覚、音声、および言語の共同理解のためのオムニモーダルLLMです。

NVlabs
⭐ 683 Python 👤 NVlabs Organization 🕐 更新日時 2026-08-31 📅 作成日 2025-09-24
67
wanshuiyin/ARIS-in-AI-Offer

AI秋採用向けのバイリンガル(中国語+英語)ML / LLM / diffusion / agent面接チートシート――ARIS /interview-cheatsheetで生成し、/render-htmlでどこでも読める単一ファイルHTMLに変換――に加え、CV→DBLPで事実確認した学術ホームページ生成器と、本人執筆の長文ブログ 🌱

wanshuiyin
⭐ 661 Python 👤 wanshuiyin User 🕐 更新日時 2026-11-18 📅 作成日 2026-05-19
⭐ 650 👤 XiaomiMiMo Organization 🕐 更新日時 2026-10-29 📅 作成日 2025-05-29
⭐ 647 Python 👤 Visual-Agent Organization 🕐 更新日時 2026-02-26 📅 作成日 2025-10-31
70
NJU-3DV/SpatialVID

[CVPR 2026] SpatialVID: 空間注釈付き大規模ビデオデータセット

NJU-3DV
⭐ 614 Python 👤 NJU-3DV Organization 🕐 更新日時 2026-04-22 📅 作成日 2025-09-10
71
LAMDA-CL/LAMDA-PILOT

🎉 PILOT:事前学習モデルベースの継続的学習ツールボックス

LAMDA-CL
⭐ 614 Python 👤 LAMDA-CL Organization 🕐 更新日時 2026-01-29 📅 作成日 2023-08-30
72
linzhiqiu/t2v_metrics

VQAScoreを用いたテキストから画像/動画/3Dへの変換モデルの評価

linzhiqiu
⭐ 607 Python 👤 linzhiqiu User 🕐 更新日時 2026-06-05 📅 作成日 2023-12-16
73
IuvenisSapiens/ComfyUI_Qwen3-VL-Instruct

Qwen3-VL-InstructシリーズをComfyUIプラットフォームに成功裏に統合したことで、スムーズな動作が実現し、(しかし限られない)テキストベースのクエリ、ビデオクエリ、単一イメージクエリ、マルチイメージクエリをサポートし、キャプションや回答を生成できるようになりました。

IuvenisSapiens
⭐ 587 Python 👤 IuvenisSapiens User 🕐 更新日時 2025-10-23 📅 作成日 2024-08-31
74
FoundationVision/Groma

[ECCV2024] 局所化ビジュアルトークン化によるグラウンデッド・マルチモーダル大規模言語モデル

FoundationVision
⭐ 582 Python 👤 FoundationVision Organization 🕐 更新日時 2024-06-07 📅 作成日 2024-04-21
75
ictnlp/LLaVA-Mini

LLaVA-Miniは、画像、高解像度画像、ビデオを効率的に理解できる、統合された大規模マルチモーダルモデル(LMM)です。

ictnlp
⭐ 575 Python 👤 ictnlp Organization 🕐 更新日時 2025-06-29 📅 作成日 2025-01-07
76
cambrian-mllm/cambrian-s

Cambrian-S:ビデオにおける空間超センシングへ

cambrian-mllm
⭐ 573 Python 👤 cambrian-mllm Organization 🕐 更新日時 2026-04-03 📅 作成日 2025-10-13
77
Flame-Code-VLM/Flame-Code-VLM

Flameは、UIデザインモックアップを高品質なReactコードに変換するために設計されたオープンソースのマルチモーダルAIシステムです。ビジョン言語モデリング、自動化されたデータ合成、構造化されたトレーニングワークフローを活用し、デザインとフロントエンド開発の間のギャップを埋めます。

Flame-Code-VLM
⭐ 564 Python 👤 Flame-Code-VLM Organization 🕐 更新日時 2026-02-11 📅 作成日 2025-02-10
78
OpenGVLab/Multi-Modality-Arena

チャットボットアリーナがマルチモーダルに対応!マルチモーダルアリーナでは、画像を入力として提供しながら、ビジョン言語モデルを並べてベンチマークすることができます。MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2などをサポートしています!

OpenGVLab
⭐ 553 Python 👤 OpenGVLab Organization 🕐 更新日時 2024-04-21 📅 作成日 2023-05-10
79
Mengqi-Lei/count-anything

論文✨Counting Anythingのコードと実装ガイドライン。プロジェクトページ:https://mengqi-lei.github.io/count-anything-projectpage/

Mengqi-Lei
⭐ 545 Python 👤 Mengqi-Lei User 🕐 更新日時 2026-08-12 📅 作成日 2026-05-18
80
vulab-AI/Awesome-Spatial-VLMs

[Awesome-Spatial-VLMs] このリポジトリは、調査論文「Spatial Intelligence in Vision-Language Models: A Comprehensive Survey」のための公式かつコミュニティによって管理されているリソースです。

vulab-AI
⭐ 525 Python 👤 vulab-AI Organization 🕐 更新日時 2026-07-30 📅 作成日 2025-07-10
81
mll-lab-nu/VAGEN

マルチターンVLMエージェントのためのワールドモデル強化学習。視覚のための強化学習フレームワーク(NeurIPS 2025)。

mll-lab-nu
⭐ 525 Python 👤 mll-lab-nu Organization 🕐 更新日時 2026-10-29 📅 作成日 2025-03-04
82
Jiaaqiliu/Awesome-VLA-Robotics

ロボティクスにおけるVision‑Language‑Action(VLA)モデルに関する優れた研究論文、モデル、データセット、その他のリソースの包括的リスト。

Jiaaqiliu
⭐ 505 👤 Jiaaqiliu User 🕐 更新日時 2026-10-19 📅 作成日 2025-04-21