#vision-language-model Repositórios
Descubra 82 repositórios ativos de código aberto no GitHub marcados com #vision-language-model, acumulando um total de 263,383 estrelas (uma média de 3,211 por projeto). O líder deste tópico é haotian-liu/LLaVA, com 24,232 estrelas.
82 repositórios no total
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) construído em direção a capacidades de nível GPT-4V e além.
OCR, análise de layout, ordem de leitura, reconhecimento de tabelas em mais de 90 idiomas
Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.
Modelo de OCR que lida com tabelas complexas, formulários e escrita à mão com layout completo.
X-AnyLabeling: uma aplicação de desktop multiplataforma, leve, eficiente e unificada para anotar texto, imagens, vídeos, nuvens de pontos e dados multimodais. Combina ferramentas integradas versáteis com modelos de IA de última geração e oferece opções flexíveis de exportação em vários formatos.
[CVPR 2024 Oral] Família InternVL: Uma Alternativa Open-Source Pioneira ao GPT-4o. Modelo de diálogo multimodal de código aberto com desempenho próximo ao do GPT-4o
Análise Multilíngue de Layout de Documentos em um Único Modelo de Visão e Linguagem
Implementação oficial do código da Teoria Geral de OCR: Rumo ao OCR-2.0 através de um Modelo Unificado de Ponta a Ponta
O repositório oficial do modelo de linguagem de visão grande pré-treinado e de chat Qwen-VL (通义千问-VL) proposto pela Alibaba Cloud.
MLX-VLM é um pacote para inferência e ajuste fino de Modelos de Linguagem Visual (VLMs) no seu Mac usando MLX.
MineContext é o seu parceiro de IA proativo e ciente do contexto(Engenharia de Contexto + ChatGPT Pulse)
DeepSeek-VL2: Modelos Visão-Linguagem com Mistura de Especialistas para Compreensão Multimodal Avançada
Ferramenta de Avaliação Multimodal One-for-All para Tarefas de Texto, Imagem, Vídeo e Áudio
Qwen3.8 é uma série de modelos de linguagem de grande porte desenvolvida pela equipe Qwen do Alibaba Group.
O repositório oficial de MiniMax-Text-01 e MiniMax-VL-01, modelos de linguagem grandes e modelos de linguagem de visão baseados em Atenção Linear
O canivete suíço da IA offline. Converse, veja, fale e gere imagens no seu celular ou Mac — LLMs GGUF, visão, conversão de fala em texto Whisper, Stable Diffusion, chamadas de ferramentas e servidores de rede local. Funciona na sua CPU, GPU ou NPU. Sem conta, sem chave de API, nenhum dado sai do seu dispositivo.
Repositório oficial de "Mini-Gemini: Explorando o Potencial de Modelos de Linguagem Visual Multimodal"
Coleção de modelos impressionantes de visão e linguagem para tarefas de visão
InternLM-XComposer2.5-OmniLive: Um Sistema Multimodal Abrangente para Interações de Vídeo e Áudio em Streaming de Longo Prazo
O código usado para treinar e executar a inferência com os modelos ColVision, por exemplo, ColPali, ColQwen2 e ColSmol.
O framework Cradle é uma primeira tentativa de Controle Geral de Computadores (GCC). O Cradle apoia os agentes a realizar com sucesso qualquer tarefa de computador, permitindo fortes habilidades de raciocínio, autoaperfeiçoamento e curadoria de habilidades, num ambiente geral padronizado com requisitos mínimos.
O Blueprint de IA da NVIDIA para pesquisa e sumarização de vídeo (VSS) é uma arquitetura de referência acelerada por GPU para construir agentes de análise de vídeo com alertas verificados em tempo real, perguntas e respostas visuais e relatórios automatizados. O Blueprint VSS usa modelos de linguagem visual (VLM) como NVIDIA Cosmos, LLMs como NVIDIA Nemotron, RAG e NVIDIA NIM.
Uma implementação de código aberto para o ajuste fino da série Qwen-VL pela Alibaba Cloud.
[CVPR 2025] Modelo de Visão-Linguagem-Ação de código aberto, de ponta a ponta, para Agente de GUI e Uso de Computador.
Uma lista curada de recursos incríveis LLM/VLM/VLA/World Model para Condução Autônoma (LLM4AD) (atualizado continuamente)
Uma coleção de ideias e algoritmos originais e inovadores voltados para Máquinas Literatas Avançadas. Este projeto é mantido pela Equipe de OCR no Laboratório de Tecnologia de Linguagem, Tongyi Lab, Alibaba Group.
【ICML 2025 Spotlight】 Repositório Oficial para o Artigo ‘’HealthGPT: Um Grande Modelo Visão-Linguagem Médico para Unificação de Compreensão e Geração via Adaptação de Conhecimento Heterogêneo‘’
Servidor de inferência de LLM de alto desempenho compatível com OpenAI e Anthropic para Apple Silicon. MLX nativo, processamento em lote contínuo, modelos multimodais, chamadas de ferramentas MCP e suporte a Claude Code.
Seed1.5-VL, um modelo fundamental de visão e linguagem projetado para avançar a compreensão e o raciocínio multimodal de propósito geral, alcançando o estado da arte em 38 de 60 benchmarks públicos.
Uma nova arquitetura de Modelo de Linguagem Grande Multimodal (MLLM), projetada para alinhar estruturalmente embeddings visuais e textuais.
Obtenha dados limpos de documentos complexos, impulsionado por modelos de visão e linguagem ⚡
[ICCV 2025] Implementação para Describe Anything: Legendas Detalhadas e Localizadas de Imagens e Vídeos
Faça fine-tuning de LLMs no seu Mac com Apple Silicon. SFT, DPO, GRPO, Visão, TTS, STT, Embedding e fine-tuning de OCR — nativamente no MLX. API compatível com Unsloth.
Projete um melhor kit de ferramentas e habilidades visuais para modelos somente de texto "verem" imagens, suportando compreensão de múltiplas imagens, perguntas e respostas sobre imagens, restauração de UI frontend, automação de GUI, etc., com integração opcional e perfeita com vários agentes principais, e reconhecimento direto de imagens coladas | Um kit de ferramentas e habilidades visuais projetado para LLMs somente de texto: perguntas e respostas sobre imagens, OCR de capturas de tela longas, restauração de UI frontend e automação de GUI, com integração opcional e perfeita para Codex, Claude Code, Pi, Oh My Pi e OpenCode
Estrutura Totalmente Aberta para Treinamento Multimodal Democratizado
Kimi-VL: Modelo de Visão-Linguagem com Mistura de Especialistas para Raciocínio Multimodal, Compreensão de Contexto Longo e Fortes Capacidades de Agente
Esta série o levará em uma jornada dos fundamentos de NLP e Visão Computacional até o que há de mais avançado em Modelos de Visão-Linguagem.
Um Modelo Generalista Transparente para a Compreensão Holística de Visão-Linguagem Médica
[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), o primeiro modelo desse tipo capaz de gerar respostas em linguagem natural que são perfeitamente integradas com máscaras de segmentação de objetos.
Perguntas Frequentes
Qual é o repositório de #vision-language-model mais popular no GitHub?
O projeto de código aberto de #vision-language-model mais bem classificado no GitHub é haotian-liu/LLaVA, com 24,232 estrelas. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) construído em direção a capacidades de nível GPT-4V e além.
Quais linguagens de programação são mais usadas nos repositórios de #vision-language-model?
Entre os projetos de #vision-language-model mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, TypeScript, C++.
Como é calculada a classificação dos repositórios de #vision-language-model?
Acompanhamos 82 repositórios ativos de código aberto marcados com #vision-language-model (com mais de 500 estrelas), totalizando 263,383 estrelas e uma média de 3,211 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.