Git Stars Git Stars

#vision-language-models Repositórios

Descubra 86 repositórios ativos de código aberto no GitHub marcados com #vision-language-models, acumulando um total de 198,329 estrelas (uma média de 2,306 por projeto). O líder deste tópico é Vision-CAIR/MiniGPT-4, com 25,770 estrelas.

86
Total de Repositórios
198,329
Total de estrelas
2,306
Média de Estrelas/Repositório

86 repositórios no total

1
Vision-CAIR/MiniGPT-4

Códigos de código aberto para MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

Vision-CAIR
⭐ 25,770 Python 👤 Vision-CAIR Organization 🕐 Atualizado 2024-09-02 📅 Criado 2023-04-15
2
deepseek-ai/DeepSeek-OCR

Contextos de compressão óptica

deepseek-ai
⭐ 24,180 Python 👤 deepseek-ai Organization 🕐 Atualizado 2026-01-27 📅 Criado 2025-10-17
3
allenai/olmocr

Ferramenta para linearizar PDFs para conjuntos de dados/treinamento de LLM

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 Atualizado 2026-03-25 📅 Criado 2024-09-17
4
NVIDIA/Isaac-GR00T

NVIDIA Isaac GR00T N1.7 - Um Modelo Fundamental para Robôs Generalistas.

NVIDIA
⭐ 8,402 Python 👤 NVIDIA Organization 🕐 Atualizado 2026-11-17 📅 Criado 2025-03-11
5
apple-aiml-research/ml-fastvlm

Este repositório contém a implementação oficial de "FastVLM: Codificação Visual Eficiente para Modelos de Visão e Linguagem" - CVPR 2025

apple-aiml-research
⭐ 7,445 Python 👤 apple-aiml-research Organization 🕐 Atualizado 2026-09-11 📅 Criado 2025-05-01
6
LargeWorldModel/LWM

Grande Modelo Mundial -- Modelagem de Texto e Vídeo com Milhões de Contexto

LargeWorldModel
⭐ 7,391 Python 👤 LargeWorldModel Organization 🕐 Atualizado 2024-10-19 📅 Criado 2024-02-08
7
google/gemma.cpp

mecanismo de inferência C++ leve e autônomo para os modelos Gemma do Google.

google
⭐ 7,089 C++ 👤 google Organization 🕐 Atualizado 2026-11-20 📅 Criado 2024-02-13
8
huggingface/nanoVLM

O repositório mais simples e rápido para treinamento/ajuste fino de VLMs de pequeno porte.

huggingface
⭐ 5,063 Python 👤 huggingface Organization 🕐 Atualizado 2025-10-27 📅 Criado 2025-05-02
9
lumina-ai-inc/chunkr

Infraestrutura de visão para transformar documentos complexos em dados prontos para LLM

lumina-ai-inc
⭐ 4,154 Rust 👤 lumina-ai-inc Organization 🕐 Atualizado 2026-09-09 📅 Criado 2024-08-24
10
StarsfieldAI/R1-V

Testemunhe o momento 'aha' da VLM com menos de US$ 3.

StarsfieldAI
⭐ 4,058 Python 👤 StarsfieldAI Organization 🕐 Atualizado 2025-05-19 📅 Criado 2025-02-02
11
NVlabs/VILA

VILA é uma família de modelos de linguagem e visão (VLMs) de última geração para diversas tarefas de IA multimodal em edge, data center e nuvem.

NVlabs
⭐ 3,873 Python 👤 NVlabs Organization 🕐 Atualizado 2026-03-12 📅 Criado 2024-02-23
12
jonyzhang2023/awesome-embodied-vla-va-vln

Uma lista selecionada de pesquisas de ponta em IA incorporada, com foco em modelos de visão-linguagem-ação (VLA), navegação visão-linguagem (VLN) e abordagens relacionadas de aprendizado multimodal.

jonyzhang2023
⭐ 3,634 👤 jonyzhang2023 User 🕐 Atualizado 2026-09-15 📅 Criado 2025-01-16
13
OmniSVG/OmniSVG

[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.

OmniSVG
⭐ 2,666 Python 👤 OmniSVG User 🕐 Atualizado 2026-03-01 📅 Criado 2025-04-07
14
facebookresearch/perception_models

CLIP de Imagem e Vídeo de última geração, Modelos de Linguagem Grandes Multimodais e muito mais!

facebookresearch
⭐ 2,415 Jupyter Notebook 👤 facebookresearch Organization 🕐 Atualizado 2026-04-13 📅 Criado 2025-04-16
16
opendatalab/OmniDocBench

[CVPR 2025] Um Referencial Abrangente para Análise e Avaliação de Documentos

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 Atualizado 2026-11-12 📅 Criado 2024-10-14
17
PKU-YuanGroup/LLaVA-CoT

[ICCV 2025] LLaVA-CoT, um modelo de linguagem visual capaz de raciocínio espontâneo e sistemático

PKU-YuanGroup
⭐ 2,129 Python 👤 PKU-YuanGroup Organization 🕐 Atualizado 2025-12-12 📅 Criado 2024-11-17
18
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5: Tornando VLMs de OCR leves mais rápidos e melhores

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 Atualizado 2026-09-24 📅 Criado 2025-11-18
19
chn-lee-yumi/MaterialSearch

Pesquisa semântica. Pesquise fotos e vídeos locais através da linguagem natural. A busca semântica de IA permite pesquisar mídias locais por meio de pesquisa por imagem, encontrar conteúdos locais, combinar cenas com descrições de texto, realizar pesquisa por quadros de vídeo e pesquisar vídeos com base em descrições visuais.

chn-lee-yumi
⭐ 1,998 HTML 👤 chn-lee-yumi User 🕐 Atualizado 2026-09-21 📅 Criado 2023-03-16
21
gpt-omni/mini-omni2

Rumo ao GPT-4o de código aberto, com capacidades de visão, fala e duplex.

gpt-omni
⭐ 1,896 Python 👤 gpt-omni Organization 🕐 Atualizado 2025-01-16 📅 Criado 2024-10-14
22
facebookresearch/MetaCLIP

NeurIPS 2025 Spotlight; ICLR2024 Spotlight; CVPR 2024; EMNLP 2024

facebookresearch
⭐ 1,856 Python 👤 facebookresearch Organization 🕐 Atualizado 2026-08-11 📅 Criado 2023-09-28
23
kijai/ComfyUI-Florence2

Inferência Microsoft Florence2 VLM

kijai
⭐ 1,764 Python 👤 kijai User 🕐 Atualizado 2026-05-06 📅 Criado 2024-06-19
24
baaivision/Emu3.5

Modelos Multimodais Nativos são Aprendizes do Mundo

baaivision
⭐ 1,567 Python 👤 baaivision Organization 🕐 Atualizado 2025-12-30 📅 Criado 2025-10-29
25
tjmlabs/ColiVara

Colivara é um conjunto de serviços que permite armazenar, pesquisar e recuperar documentos com base em seu embedding visual. ColiVara tem desempenho de recuperação de ponta em documentos de texto e visuais. usando modelos de visão em vez de divisão e processamento de texto para documentos. Sem OCR, sem extração de texto, sem tabelas quebradas ou imagens ausentes.

tjmlabs
⭐ 1,485 Python 👤 tjmlabs Organization 🕐 Atualizado 2026-07-08 📅 Criado 2024-09-21
27
Sun-Haoyuan23/Awesome-RL-based-Reasoning-MLLMs

Este repositório fornece referências valiosas para pesquisadores na área de multimodalidade, por favor, inicie sua jornada exploratória em RL-based Reasoning MLLMs!

Sun-Haoyuan23
⭐ 1,449 👤 Sun-Haoyuan23 User 🕐 Atualizado 2026-09-29 📅 Criado 2025-02-21
28
rmokady/CLIP_prefix_caption

Modelo simples de legendagem de imagens

rmokady
⭐ 1,407 Jupyter Notebook 👤 rmokady User 🕐 Atualizado 2024-06-09 📅 Criado 2021-09-16
29
SakanaAI/evolutionary-model-merge

Repositório oficial de Otimização Evolucionária de Receitas de Fusão de Modelos

SakanaAI
⭐ 1,394 Python 👤 SakanaAI Organization 🕐 Atualizado 2024-11-29 📅 Criado 2024-03-05
30
gokayfem/awesome-vlm-architectures

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.

gokayfem
⭐ 1,368 Markdown 👤 gokayfem User 🕐 Atualizado 2026-10-27 📅 Criado 2024-02-15
31
Computer-Vision-in-the-Wild/CVinW_Readings

Uma coletânea de artigos sobre o tema 'Visão Computacional em Ambientes Reais (CVinW)'

Computer-Vision-in-the-Wild
⭐ 1,349 👤 Computer-Vision-in-the-Wild Organization 🕐 Atualizado 2024-03-14 📅 Criado 2022-09-28
32
X-Square-Robot/wall-x

Construção de Robôs de Propósito Geral Baseada em Modelo de Fundação Incorporado

X-Square-Robot
⭐ 1,337 Python 👤 X-Square-Robot Organization 🕐 Atualizado 2026-09-18 📅 Criado 2025-09-04
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 Atualizado 2025-11-20 📅 Criado 2025-03-15
35
aiming-lab/Agent0

[ICML'26 & COLM'26] Série Agent0: Agentes autoevolutivos a partir de dados zero

aiming-lab
⭐ 1,292 Python 👤 aiming-lab Organization 🕐 Atualizado 2026-07-10 📅 Criado 2025-10-20
37
reacher-z/Awesome-CUA

Catálogo aberto de agentes de uso de computadores, com fontes verificáveis: artigos analisados, modelos de GUI, conjuntos de dados, benchmarks, ferramentas e dados reutilizáveis em JSONL/SQLite.

reacher-z
⭐ 1,072 Python 👤 reacher-z User 🕐 Atualizado 2026-11-21 📅 Criado 2026-10-16
38
nvidia-cosmos/cosmos-reason1

Os modelos Cosmos-Reason1 compreendem o senso comum físico e geram decisões incorporadas apropriadas em linguagem natural por meio de longos processos de raciocínio em cadeia de pensamento.

nvidia-cosmos
⭐ 965 Python 👤 nvidia-cosmos Organization 🕐 Atualizado 2026-06-07 📅 Criado 2025-03-02
39
huangwl18/ReKep

ReKep: Raciocínio Espaço-Temporal de Restrições de Pontos-Chave Relacionais para Manipulação Robótica

huangwl18
⭐ 950 Python 👤 huangwl18 User 🕐 Atualizado 2025-02-20 📅 Criado 2024-08-29
40
mst272/LLM-Dojo

Framework leve de pós-treinamento para LLM, suporta SFT, RLVR, On-Policy KD, Guide KD e treinamento misto; implementa destilação Guide de uma/múltiplas rodadas, destilação multi-professor, treinamento misto de Reward e fluxo de dados automatizado👩‍🎓👨‍🎓

mst272
⭐ 939 Python 👤 mst272 User 🕐 Atualizado 2026-03-08 📅 Criado 2024-01-23
41
Qinying-Liu/Awesome-Open-Vocabulary-Semantic-Segmentation

Uma lista de publicações selecionadas sobre segmentação semântica de vocabulário aberto e recursos de áreas relacionadas (por exemplo, segmentação semântica zero-shot).

Qinying-Liu
⭐ 910 👤 Qinying-Liu User 🕐 Atualizado 2026-05-20 📅 Criado 2023-09-28
42
TRI-ML/prismatic-vlms

Uma base de código flexível e eficiente para o treinamento de modelos de linguagem condicionados visualmente (VLMs)

TRI-ML
⭐ 894 Python 👤 TRI-ML Organization 🕐 Atualizado 2024-07-04 📅 Criado 2024-02-13
43
LYL1015/JarvisArt

[NeurIPS' 2025] JarvisArt: Libertando a Criatividade Artística Humana através de um Agente Inteligente de Retoque de Fotos

LYL1015
⭐ 880 Python 👤 LYL1015 User 🕐 Atualizado 2026-04-04 📅 Criado 2025-06-24
44
beichenzbc/Long-CLIP

[ECCV 2024] código oficial para "Long-CLIP: Desbloqueando a Capacidade de Texto Longo do CLIP"

beichenzbc
⭐ 879 Python 👤 beichenzbc User 🕐 Atualizado 2024-08-13 📅 Criado 2024-03-20
45
InternLM/Intern-S1

Um Modelo Fundamental Multimodal Científico

InternLM
⭐ 876 👤 InternLM Organization 🕐 Atualizado 2026-09-13 📅 Criado 2025-07-25
46
RiseInRose/MiniGPT-4-ZH

Tradução da Implantação em Chinês do MiniGPT-4: Aperfeiçoamento dos Detalhes de Implantação

RiseInRose
⭐ 859 Python 👤 RiseInRose User 🕐 Atualizado 2026-05-09 📅 Criado 2023-04-19
48
allenai/molmo

Código para o Modelo de Visão-Linguagem Molmo

allenai
⭐ 851 Python 👤 allenai Organization 🕐 Atualizado 2024-12-12 📅 Criado 2024-12-05
49
OpenMOSS/MOSS-VL

Uma série de modelos de 11B com pesos abertos para compreensão de vídeos longos e em tempo real

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 Atualizado 2026-10-14 📅 Criado 2026-04-08
50
showlab/Awesome-Unified-Multimodal-Models

📖 Este é um repositório para organizar artigos, códigos e outros recursos relacionados a modelos multimodais unificados.

showlab
⭐ 834 👤 showlab Organization 🕐 Atualizado 2025-10-10 📅 Criado 2024-08-27

Perguntas Frequentes

1

Qual é o repositório de #vision-language-models mais popular no GitHub?

O projeto de código aberto de #vision-language-models mais bem classificado no GitHub é Vision-CAIR/MiniGPT-4, com 25,770 estrelas. Códigos de código aberto para MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

2

Quais linguagens de programação são mais usadas nos repositórios de #vision-language-models?

Entre os projetos de #vision-language-models mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, Rust.

3

Como é calculada a classificação dos repositórios de #vision-language-models?

Acompanhamos 86 repositórios ativos de código aberto marcados com #vision-language-models (com mais de 500 estrelas), totalizando 198,329 estrelas e uma média de 2,306 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.