#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 repositórios no total
Códigos de código aberto para MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Este repositório contém a implementação oficial de "FastVLM: Codificação Visual Eficiente para Modelos de Visão e Linguagem" - CVPR 2025
O repositório mais simples e rápido para treinamento/ajuste fino de VLMs de pequeno porte.
Infraestrutura de visão para transformar documentos complexos em dados prontos para LLM
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.
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.
[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!
[CVPR 2025] Um Referencial Abrangente para Análise e Avaliação de Documentos
[ICCV 2025] LLaVA-CoT, um modelo de linguagem visual capaz de raciocínio espontâneo e sistemático
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.
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.
Este repositório fornece referências valiosas para pesquisadores na área de multimodalidade, por favor, inicie sua jornada exploratória em RL-based Reasoning MLLMs!
Repositório oficial de Otimização Evolucionária de Receitas de Fusão de Modelos
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.
Uma coletânea de artigos sobre o tema 'Visão Computacional em Ambientes Reais (CVinW)'
Construção de Robôs de Propósito Geral Baseada em Modelo de Fundação Incorporado
[ICML'26 & COLM'26] Série Agent0: Agentes autoevolutivos a partir de dados zero
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.
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.
ReKep: Raciocínio Espaço-Temporal de Restrições de Pontos-Chave Relacionais para Manipulação Robótica
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👩🎓👨🎓
Uma lista de publicações selecionadas sobre segmentação semântica de vocabulário aberto e recursos de áreas relacionadas (por exemplo, segmentação semântica zero-shot).
Uma base de código flexível e eficiente para o treinamento de modelos de linguagem condicionados visualmente (VLMs)
[NeurIPS' 2025] JarvisArt: Libertando a Criatividade Artística Humana através de um Agente Inteligente de Retoque de Fotos
[ECCV 2024] código oficial para "Long-CLIP: Desbloqueando a Capacidade de Texto Longo do CLIP"
Tradução da Implantação em Chinês do MiniGPT-4: Aperfeiçoamento dos Detalhes de Implantação
Uma série de modelos de 11B com pesos abertos para compreensão de vídeos longos e em tempo real
📖 Este é um repositório para organizar artigos, códigos e outros recursos relacionados a modelos multimodais unificados.
Perguntas Frequentes
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/)
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.
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.