#multimodal-ai Repositórios
Descubra 191 repositórios ativos de código aberto no GitHub marcados com #multimodal-ai, acumulando um total de 589,873 estrelas (uma média de 3,088 por projeto). O líder deste tópico é anthropics/claude-cookbooks, com 54,935 estrelas.
191 repositórios no total
Uma coleção de notebooks/receitas que mostram algumas formas divertidas e eficazes de usar o Claude.
Aplicativo de desktop de código aberto para LLMs locais. Texto, visão, chamada de ferramentas, API compatível com OpenAI/Anthropic. 100% privado.
Uma galeria que exibe casos de uso de ML/GenAI no dispositivo e permite que as pessoas experimentem e usem modelos localmente.
Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.
🚀 Toolkit de avatar de IA (humano digital) verdadeiramente de código aberto para geração de vídeo offline e clonagem de humano digital.
Modelos Fundamentais para Tradução de Fala e Texto de Ponta
Um Kit de Ferramentas Abrangente para Extração de Conteúdo PDF de Alta Qualidade
Qwen-Image é um poderoso modelo de base para geração de imagens, capaz de renderização complexa de texto e edição precisa de imagens.
O adaptador de prompt de imagem é projetado para permitir que um modelo de difusão pré-treinado de texto para imagem gere imagens com prompt de imagem.
Demonstração de webcam em tempo real com SmolVLM e servidor llama.cpp
Gateway e catálogo de modelos oficial da Agnes AI para fluxos de trabalho de texto, imagem, vídeo e agentes compatíveis com OpenAI.
DeepSeek-VL2: Modelos Visão-Linguagem com Mistura de Especialistas para Compreensão Multimodal Avançada
Hunyuan-DiT : Um Poderoso Transformer de Difusão Multi-Resolução com Compreensão Chinesa Detalhada
OmniGen2: Exploração para Geração Multimodal Avançada. https://arxiv.org/abs/2506.18871
O SDK Python de IA Generativa do Google oferece uma interface para que os desenvolvedores integrem os modelos generativos do Google em seus aplicativos Python.
Qwen2.5-Omni é um modelo multimodal de ponta a ponta da equipe Qwen da Alibaba Cloud, capaz de compreender texto, áudio, visão, vídeo e realizar geração de fala em tempo real.
Implementação oficial para "Raciocínio em Cadeia de Pensamento Multimodal em Modelos de Linguagem" (fique atento, mais será atualizado)
Nano Banana(nanobanana), GPT-5(GPT5), GPT-4o(GPT4o) Prompts de Imagem, Prompts Nanobanana, Prompts Nanobanana
FlagAI (Fast LArge-scale General AI models) é um kit de ferramentas rápido, fácil de usar e extensível para modelos de grande escala.
O repositório fornece o código para executar a inferência com o Meta Segment Anything Audio Model (SAM-Audio), links para baixar os checkpoints do modelo treinado e notebooks de exemplo que mostram como usar o modelo.
Minha Mega Coletânea de Formas Criativas de Usar o nano-banana! Em constante atualização!
Sistema Conversacional de Avatar Digital - Linly-Talker. 😄✨ O Linly-Talker é um sistema de IA inteligente que combina grandes modelos de linguagem (LLMs) com modelos visuais para criar um novo método de interação humano-IA. 🤝🤖 Ele integra várias tecnologias, como Whisper, Linly, Microsoft Speech Services e o sistema de geração de cabeça falante SadTalker. 🌟🔬
🔥🔥🔥 [IEEE TCSVT] Últimos artigos, códigos e conjuntos de dados sobre Vid-LLMs.
Holistic Evaluation of Language Models (HELM) é um framework Python de código aberto criado pelo Center for Research on Foundation Models (CRFM) em Stanford para avaliação holística, reproduzível e transparente de modelos de fundação, incluindo grandes modelos de linguagem (LLMs) e modelos multimodais.
Mano-P: Agente GUI-VLA de código aberto para dispositivos de borda. #1 no OSWorld (especializado, 58.2%). Executa localmente no Apple M4 Mac mini/MacBook — nenhum dado sai do seu dispositivo. Mano-P é um projeto GUI-VLA de código aberto que suporta execução local no Mac mini/MacBook ou via stick de computação, realizando operações de automação GUI multiplataforma impulsionadas puramente por visão. Os dados são processados completamente localmente, suportando planejamento e execução de tarefas complexas de múltiplos passos.
[NeurIPS 2025] OmniSVG é a primeira família de geradores multimodais de SVG ponta a ponta que utilizam Modelos de Visão-Linguagem (VLMs) pré-treinados, capazes de gerar SVGs complexos e detalhados, desde ícones simples a personagens de anime intrincados.
CLIP de Imagem e Vídeo de última geração, Modelos de Linguagem Grandes Multimodais e muito mais!
Perguntas Frequentes
Qual é o repositório de #multimodal-ai mais popular no GitHub?
O projeto de código aberto de #multimodal-ai mais bem classificado no GitHub é anthropics/claude-cookbooks, com 54,935 estrelas. Uma coleção de notebooks/receitas que mostram algumas formas divertidas e eficazes de usar o Claude.
Quais linguagens de programação são mais usadas nos repositórios de #multimodal-ai?
Entre os projetos de #multimodal-ai mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, JavaScript, Kotlin.
Como é calculada a classificação dos repositórios de #multimodal-ai?
Acompanhamos 191 repositórios ativos de código aberto marcados com #multimodal-ai (com mais de 500 estrelas), totalizando 589,873 estrelas e uma média de 3,088 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.