Git Stars Git Stars

#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
Total de Repositórios
263,383
Total de estrelas
3,211
Média de Estrelas/Repositório

82 repositórios no total

1
haotian-liu/LLaVA

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) construído em direção a capacidades de nível GPT-4V e além.

haotian-liu
⭐ 24,232 Python 👤 haotian-liu User 🕐 Atualizado 2024-08-12 📅 Criado 2023-04-17
2
datalab-to/surya

OCR, análise de layout, ordem de leitura, reconhecimento de tabelas em mais de 90 idiomas

datalab-to
⭐ 21,608 Python 👤 datalab-to Organization 🕐 Atualizado 2026-11-13 📅 Criado 2024-01-10
3
QwenLM/Qwen3-VL

Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.

QwenLM
⭐ 20,240 Jupyter Notebook 👤 QwenLM Organization 🕐 Atualizado 2026-01-30 📅 Criado 2024-08-29
4
datalab-to/chandra

Modelo de OCR que lida com tabelas complexas, formulários e escrita à mão com layout completo.

datalab-to
⭐ 12,741 Python 👤 datalab-to Organization 🕐 Atualizado 2026-11-16 📅 Criado 2025-10-08
5
CVHub520/X-AnyLabeling

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.

CVHub520
⭐ 11,004 Python 👤 CVHub520 User 🕐 Atualizado 2026-11-18 📅 Criado 2023-05-23
6
m87-labs/moondream

modelo de linguagem visual minúsculo

m87-labs
⭐ 10,167 Python 👤 m87-labs Organization 🕐 Atualizado 2026-04-20 📅 Criado 2023-12-29
7
OpenGVLab/InternVL

[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

OpenGVLab
⭐ 10,160 Python 👤 OpenGVLab Organization 🕐 Atualizado 2025-09-22 📅 Criado 2023-11-22
8
studio-dots-ai/dots.ocr

Análise Multilíngue de Layout de Documentos em um Único Modelo de Visão e Linguagem

studio-dots-ai
⭐ 9,236 Python 👤 studio-dots-ai Organization 🕐 Atualizado 2026-03-24 📅 Criado 2025-07-30
9
jingyaogong/minimind-v

👀 Treine um VLM com 65 milhões de parâmetros do zero em apenas 2 horas!

jingyaogong
⭐ 8,868 Python 👤 jingyaogong User 🕐 Atualizado 2026-10-27 📅 Criado 2024-09-11
10
Ucas-HaoranWei/GOT-OCR2.0

Implementação oficial do código da Teoria Geral de OCR: Rumo ao OCR-2.0 através de um Modelo Unificado de Ponta a Ponta

Ucas-HaoranWei
⭐ 8,133 Python 👤 Ucas-HaoranWei User 🕐 Atualizado 2025-02-10 📅 Criado 2024-09-02
11
QwenLM/Qwen-VL

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.

QwenLM
⭐ 6,453 Python 👤 QwenLM Organization 🕐 Atualizado 2024-08-07 📅 Criado 2023-08-21
12
ByteDance-Seed/Bagel

Modelo multimodal unificado de código aberto

ByteDance-Seed
⭐ 6,223 Python 👤 ByteDance-Seed Organization 🕐 Atualizado 2026-05-04 📅 Criado 2025-04-17
13
Neywa-Labs/mlx-vlm

MLX-VLM é um pacote para inferência e ajuste fino de Modelos de Linguagem Visual (VLMs) no seu Mac usando MLX.

Neywa-Labs
⭐ 5,886 Python 👤 Neywa-Labs Organization 🕐 Atualizado 2026-11-21 📅 Criado 2024-04-16
14
volcengine/MineContext

MineContext é o seu parceiro de IA proativo e ciente do contexto(Engenharia de Contexto + ChatGPT Pulse)

volcengine
⭐ 5,553 Python 👤 volcengine Organization 🕐 Atualizado 2026-05-07 📅 Criado 2025-06-24
15
deepseek-ai/DeepSeek-VL2

DeepSeek-VL2: Modelos Visão-Linguagem com Mistura de Especialistas para Compreensão Multimodal Avançada

deepseek-ai
⭐ 5,297 Python 👤 deepseek-ai Organization 🕐 Atualizado 2025-02-26 📅 Criado 2024-12-13
16
PKU-Alignment/align-anything

Alinhe Tudo: Treinando Modelo Multimodal com Feedback

PKU-Alignment
⭐ 4,669 Python 👤 PKU-Alignment Organization 🕐 Atualizado 2025-11-27 📅 Criado 2024-07-14
17
EvolvingLMMs-Lab/lmms-eval

Ferramenta de Avaliação Multimodal One-for-All para Tarefas de Texto, Imagem, Vídeo e Áudio

EvolvingLMMs-Lab
⭐ 4,501 Python 👤 EvolvingLMMs-Lab Organization 🕐 Atualizado 2026-11-20 📅 Criado 2024-03-07
18
QwenLM/Qwen3.8

Qwen3.8 é uma série de modelos de linguagem de grande porte desenvolvida pela equipe Qwen do Alibaba Group.

QwenLM
⭐ 4,459 👤 QwenLM Organization 🕐 Atualizado 2026-08-17 📅 Criado 2025-09-11
19
deepseek-ai/DeepSeek-VL

DeepSeek-VL: Rumo à Compreensão de Visão-Linguagem do Mundo Real

deepseek-ai
⭐ 4,037 Python 👤 deepseek-ai Organization 🕐 Atualizado 2024-04-24 📅 Criado 2024-03-07
20
MiniMax-AI/MiniMax-01

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

MiniMax-AI
⭐ 3,445 Python 👤 MiniMax-AI Organization 🕐 Atualizado 2025-07-07 📅 Criado 2025-01-14
21
off-grid-ai/OGAM

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.

off-grid-ai
⭐ 3,406 TypeScript 👤 off-grid-ai Organization 🕐 Atualizado 2026-11-21 📅 Criado 2026-01-29
22
dvlab-research/MGM

Repositório oficial de "Mini-Gemini: Explorando o Potencial de Modelos de Linguagem Visual Multimodal"

JIA-Lab-research
⭐ 3,330 Python 👤 JIA-Lab-research Organization 🕐 Atualizado 2024-05-04 📅 Criado 2024-03-26
23
jingyi0000/VLM_survey

Coleção de modelos impressionantes de visão e linguagem para tarefas de visão

jingyi0000
⭐ 3,132 👤 jingyi0000 User 🕐 Atualizado 2026-11-16 📅 Criado 2023-03-30
24
InternLM/InternLM-XComposer

InternLM-XComposer2.5-OmniLive: Um Sistema Multimodal Abrangente para Interações de Vídeo e Áudio em Streaming de Longo Prazo

InternLM
⭐ 2,925 Python 👤 InternLM Organization 🕐 Atualizado 2025-05-26 📅 Criado 2023-09-26
25
illuin-tech/colpali

O código usado para treinar e executar a inferência com os modelos ColVision, por exemplo, ColPali, ColQwen2 e ColSmol.

illuin-tech
⭐ 2,859 Python 👤 illuin-tech Organization 🕐 Atualizado 2026-09-21 📅 Criado 2024-06-20
26
BAAI-Agents/Cradle

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.

BAAI-Agents
⭐ 2,394 Python 👤 BAAI-Agents Organization 🕐 Atualizado 2024-11-07 📅 Criado 2024-03-03
27
NVIDIA-AI-Blueprints/video-search-and-summarization

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.

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 Atualizado 2026-11-21 📅 Criado 2024-10-22
28
2U1/Qwen-VL-Series-Finetune

Uma implementação de código aberto para o ajuste fino da série Qwen-VL pela Alibaba Cloud.

2U1
⭐ 1,983 Python 👤 2U1 User 🕐 Atualizado 2026-09-09 📅 Criado 2024-09-10
29
showlab/ShowUI

[CVPR 2025] Modelo de Visão-Linguagem-Ação de código aberto, de ponta a ponta, para Agente de GUI e Uso de Computador.

showlab
⭐ 1,932 Python 👤 showlab Organization 🕐 Atualizado 2026-04-24 📅 Criado 2024-10-31
30
Thinklab-SJTU/Awesome-LLM4AD

Uma lista curada de recursos incríveis LLM/VLM/VLA/World Model para Condução Autônoma (LLM4AD) (atualizado continuamente)

Thinklab-SJTU
⭐ 1,907 👤 Thinklab-SJTU Organization 🕐 Atualizado 2026-10-15 📅 Criado 2023-10-06
31
AlibabaResearch/AdvancedLiterateMachinery

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.

AlibabaResearch
⭐ 1,832 C++ 👤 AlibabaResearch Organization 🕐 Atualizado 2026-03-17 📅 Criado 2022-09-28
⭐ 1,795 Python 👤 microsoft Organization 🕐 Atualizado 2026-11-02 📅 Criado 2026-06-15
33
ZJU4HealthCare/HealthGPT

【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‘’

ZJU4HealthCare
⭐ 1,673 Python 👤 ZJU4HealthCare Organization 🕐 Atualizado 2026-07-31 📅 Criado 2025-02-17
34
waybarrios/vllm-mlx

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.

waybarrios
⭐ 1,657 Python 👤 waybarrios User 🕐 Atualizado 2026-11-07 📅 Criado 2025-12-06
35
ByteDance-Seed/Seed1.5-VL

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.

ByteDance-Seed
⭐ 1,581 Jupyter Notebook 👤 ByteDance-Seed Organization 🕐 Atualizado 2025-06-14 📅 Criado 2025-05-11
36
ATH-MaaS/Ovis

Uma nova arquitetura de Modelo de Linguagem Grande Multimodal (MLLM), projetada para alinhar estruturalmente embeddings visuais e textuais.

ATH-MaaS
⭐ 1,536 Python 👤 ATH-MaaS Organization 🕐 Atualizado 2026-07-15 📅 Criado 2024-06-13
37
emcf/thepipe

Obtenha dados limpos de documentos complexos, impulsionado por modelos de visão e linguagem ⚡

emcf
⭐ 1,529 Python 👤 emcf User 🕐 Atualizado 2026-09-28 📅 Criado 2024-03-22
38
NVlabs/describe-anything

[ICCV 2025] Implementação para Describe Anything: Legendas Detalhadas e Localizadas de Imagens e Vídeos

NVlabs
⭐ 1,497 Python 👤 NVlabs Organization 🕐 Atualizado 2025-06-26 📅 Criado 2025-04-04
39
ARahim3/mlx-tune

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.

ARahim3
⭐ 1,475 Python 👤 ARahim3 User 🕐 Atualizado 2026-06-23 📅 Criado 2026-01-03
40
llm-jp/awesome-japanese-llm

Resumo de LLMs Japoneses - Visão Geral de LLMs Japoneses

llm-jp
⭐ 1,446 TypeScript 👤 llm-jp Organization 🕐 Atualizado 2026-11-09 📅 Criado 2023-07-09
42
Meituan-AutoML/MobileVLM

Assistente de Linguagem Visual Forte e Aberto para Dispositivos Móveis

Meituan-AutoML
⭐ 1,317 Python 👤 Meituan-AutoML Organization 🕐 Atualizado 2024-04-15 📅 Criado 2023-12-29
43
NVlabs/prismer

A implementação de "Prismer: A Vision-Language Model with Multi-Task Experts".

NVlabs
⭐ 1,308 Python 👤 NVlabs Organization 🕐 Atualizado 2024-01-17 📅 Criado 2023-03-02
44
Anionex/agent-vision-toolkit

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

Anionex
⭐ 1,267 Python 👤 Anionex User 🕐 Atualizado 2026-10-13 📅 Criado 2026-08-01
45
EvolvingLMMs-Lab/LLaVA-OneVision-2.5

Estrutura Totalmente Aberta para Treinamento Multimodal Democratizado

EvolvingLMMs-Lab
⭐ 1,245 Python 👤 EvolvingLMMs-Lab Organization 🕐 Atualizado 2026-11-18 📅 Criado 2025-09-16
46
MoonshotAI/Kimi-VL

Kimi-VL: Modelo de Visão-Linguagem com Mistura de Especialistas para Raciocínio Multimodal, Compreensão de Contexto Longo e Fortes Capacidades de Agente

MoonshotAI
⭐ 1,203 👤 MoonshotAI Organization 🕐 Atualizado 2025-07-15 📅 Criado 2025-04-09
47
SkalskiP/vlms-zero-to-hero

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.

SkalskiP
⭐ 1,172 Jupyter Notebook 👤 SkalskiP User 🕐 Atualizado 2025-01-23 📅 Criado 2024-12-20
48
ZJUI-AI4H/Hulu-Med

Um Modelo Generalista Transparente para a Compreensão Holística de Visão-Linguagem Médica

ZJUI-AI4H
⭐ 1,031 Python 👤 ZJUI-AI4H User 🕐 Atualizado 2026-08-30 📅 Criado 2025-10-08
49
OpenBMB/VisRAG

RAG sem parsing, suportado por VLMs

OpenBMB
⭐ 991 Python 👤 OpenBMB Organization 🕐 Atualizado 2026-11-02 📅 Criado 2024-10-14
50
mbzuai-oryx/groundingLMM

[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.

mbzuai-oryx
⭐ 969 Python 👤 mbzuai-oryx Organization 🕐 Atualizado 2026-09-05 📅 Criado 2023-11-02

Perguntas Frequentes

1

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.

2

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++.

3

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.