#mllm Repositórios
Descubra 39 repositórios ativos de código aberto no GitHub marcados com #mllm, acumulando um total de 95,941 estrelas (uma média de 2,460 por projeto). O líder deste tópico é microsoft/unilm, com 22,247 estrelas.
39 repositórios no total
Pré-treinamento Autossupervisionado em Larga Escala Entre Tarefas, Idiomas e Modalidades
[NeurIPS 2025] SpatialLM: Treinamento de Grandes Modelos de Linguagem para Modelagem Interna Estruturada
[CVPR'25] Implementações Oficiais para o Artigo - MagicQuill: Um Sistema Inteligente de Edição Interativa de Imagens
Código e modelos para o artigo ICML 2024, NExT-GPT: Modelo de Linguagem Grande Multimodal Qualquer-para-Qualquer
InternLM-XComposer2.5-OmniLive: Um Sistema Multimodal Abrangente para Interações de Vídeo e Áudio em Streaming de Longo Prazo
mPLUG-DocOwl: Modelo de Linguagem Grande Multimodal Modularizado para Compreensão de Documentos
Cambrian-1 é uma família de LLMs multimodais com um design centrado na visão.
🚀🚀🚀 Uma coleção de alguns projetos incríveis da série pública de detecção de objetos YOLO e os conjuntos de dados de detecção de objetos relacionados.
Repositório oficial para a base de código do Pixel-LLM: Sa2VA (T-PAMI-26), SAMTok (CVPR-26), VRT (Arxiv-25), SaSaSa2VA (1ª solução para LSVOS)
Catálogo visual selecionado com mais de 200 arquiteturas de modelos de visão e linguagem (VLM/MLLM): artigos, diagramas, receitas de treinamento, conjuntos de dados e cronologia de lançamento de agentes de IA multimodais.
Estrutura Totalmente Aberta para Treinamento Multimodal Democratizado
OpenEMMA, uma 'reprodução' de código aberto e com licença permissiva do modelo EMMA da Waymo.
Série NEO: Modelos Nativos de Visão-Linguagem a Partir dos Primeiros Princípios
[NeurIPS' 2025] JarvisArt: Libertando a Criatividade Artística Humana através de um Agente Inteligente de Retoque de Fotos
[CVPR2024] O código para "Osprey: Pixel Understanding with Visual Instruction Tuning"
[NeurIPS 2025] 4KAgent: Qualquer Imagem para Super-Resolução 4K. Um agente inteligente de visão computacional que pode restaurar magicamente qualquer imagem para um 4K perfeito!
[NeurIPS 2025 spotlight] Implementação oficial de "FutureSightDrive: Pensando visualmente com CoT espaço-temporal para direção autônoma"
🚀🚀🚀Uma coleção de projetos públicos incríveis sobre Modelos de Linguagem Grandes (LLM), Modelos de Linguagem Visual (VLM), Ação de Linguagem Visual (VLA), Conteúdo Gerado por IA (AIGC), os Datasets e Aplicações relacionados.
Este é um repositório para listar artigos sobre geração e aplicação de grafos de cena.
Projeto Pessoal: MPP-Qwen14B & MPP-Qwen-Next (Pipeline Paralelo Multimodal baseado em Qwen-LM). Suporta [video/image/multi-image] {sft/conversations}. Não deixe a pobreza limitar sua imaginação! Treine seu próprio MLLM 8B/14B semelhante ao LLaVA-training na RTX3090/4090 24GB.
✨✨Pica-pau: Correção de Alucinação para Modelos de Linguagem Grandes Multimodais
[ICLR 2025] FakeShield: Detecção e localização explicável de falsificação de imagens via modelos de linguagem grandes multimodais
Emotion-LLaMA: Reconhecimento e Raciocínio Emocional Multimodal com Ajuste de Instruções
[ICLR2026] Implementação oficial para "JanusVLN: Desacoplando Semântica e Espacialidade com Memória Implícita Dupla para Navegação Visão-Linguagem"
Nós do ComfyUI para modelos de visão-linguagem: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Além de detecção de vocabulário aberto, segmentação SAM2/SAM3, raciocínio temporal de vídeo, GGUF via llama.cpp e APIs de LLM/VLM hospedadas.
[ECCV2024] Modelo de Linguagem Grande Multimodal Fundamentado com Tokenização Visual Localizada
Artigo da NeurIPS 2024: Um LLM de Visão Unificado a Nível de Pixel para Compreensão, Geração, Segmentação e Edição
Código oficial do OpenVLHarness: uso de ferramentas por agentes visuais no mundo real com memória multimodal
🔥🔥🔥 Uma lista selecionada de artigos sobre geração multimodal baseada em LLMs (imagem, vídeo, 3D e áudio).
Um mecanismo de inferência totalmente desenvolvido em Rust para LLMs, VLMs, VLAs, TTS e OCR, baseado no Candle e no Rust. Uma alternativa ao llama.cpp, muito mais simples e enxuta.
[Awesome-Spatial-VLMs] Este repositório é o recurso oficial, mantido pela comunidade, para o artigo de revisão: Spatial Intelligence in Vision-Language Models: A Comprehensive Survey.
Perguntas Frequentes
Qual é o repositório de #mllm mais popular no GitHub?
O projeto de código aberto de #mllm mais bem classificado no GitHub é microsoft/unilm, com 22,247 estrelas. Pré-treinamento Autossupervisionado em Larga Escala Entre Tarefas, Idiomas e Modalidades
Quais linguagens de programação são mais usadas nos repositórios de #mllm?
Entre os projetos de #mllm mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, Markdown, JavaScript.
Como é calculada a classificação dos repositórios de #mllm?
Acompanhamos 39 repositórios ativos de código aberto marcados com #mllm (com mais de 500 estrelas), totalizando 95,941 estrelas e uma média de 2,460 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.