#vlm Repositórios
Descubra 89 repositórios ativos de código aberto no GitHub marcados com #vlm, acumulando um total de 457,898 estrelas (uma média de 5,144 por projeto). O líder deste tópico é huggingface/transformers, com 169,339 estrelas.
89 repositórios no total
🤗 Transformers: a estrutura de definição de modelos para modelos de machine learning de última geração em texto, visão, áudio e modelos multimodais, tanto para inferência quanto para treinamento.
A Pilha de Agentes de IA Multimodal de Código Aberto: Conectando Modelos de IA de Ponta e Infraestrutura de Agentes
SGLang é uma estrutura de serviço de alto desempenho para grandes modelos de linguagem e modelos multimodais.
Faça engenharia reversa de qualquer vídeo, plano a plano: descubra se foi filmado, gerado por IA ou criado com código — e como recriá-lo. Análises no formato aberto VIDEO.md.
https://arxiv.org/abs/2606.28344. O fim do parsing web. O início da busca nativa de pixels escalável. link: https://pixelrag.ai/
Kit de ferramentas pronto para produção para executar IA localmente
Uma coleção de tutoriais sobre modelos e técnicas de visão computacional de ponta. Explore tudo, desde arquiteturas fundamentais como ResNet até modelos de ponta como RF-DETR, YOLO11, SAM 3 e Qwen3-VL.
Livros, artigos, vídeos e caixas de ferramentas relacionados à detecção de anomalias. Última atualização no final de 2025 para trabalhos de LLM e VLM!
Ajuste finamente (SFT/RL), avalie e implante facilmente o Qwen, o Gemma ou qualquer LLM/VLM agêntico de código aberto!
Execute LLMs e VLMs de ponta localmente em dispositivos Qualcomm através de NPU, GPU e CPU com algumas linhas de código
O repositório oficial para ERNIE 4.5 e ERNIEKit – seu kit de ferramentas de desenvolvimento de nível industrial baseado no PaddlePaddle.
Uma estrutura MCP de baixo código para construir pipelines RAG complexos e inovadores
🌟100+ Mapas Originais de LLM / RL 📚, Uma Grande Contribuição do Autor de "Algoritmos de Modelos Grandes"! 💥 (100+ LLM/RL Algorithm Maps )
StarVector é um modelo de fundação para a geração de SVG que transforma a vetorização em uma tarefa de geração de código. Utilizando uma arquitetura de modelagem visão-linguagem, o StarVector processa tanto entradas visuais quanto textuais para produzir código SVG de alta qualidade com notável precisão.
Ferramenta de Avaliação Multimodal One-for-All para Tarefas de Texto, Imagem, Vídeo e Áudio
[CVPR 2026] PromptEnhancer é uma ferramenta de reescrita de prompts que refina prompts em versões mais claras e estruturadas para melhor geração de imagens.
Um framework simplificado e personalizável para avaliação eficiente e benchmarking de desempenho de grandes modelos (LLM, VLM, AIGC).
[Prêmio de Melhor Artigo MLSys 2024] AWQ: Quantização de Pesos Ciente de Ativação para Compressão e Aceleração de LLM
Um modelo de código aberto para análise de documentos, com precisão e velocidade de ponta, que utiliza um ciclo RSI durante o pós-treinamento.
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
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
Skywork-R1V é uma série avançada de modelos de IA multimodal desenvolvida pela Skywork AI, especializada em raciocínio visão-linguagem.
Plataforma de habilidades de câmera AI de código aberto, NVR AI e vigilância CCTV. Análise de vídeo VLM local com Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. Agente de câmera de segurança com poder de LLM — observa, entende, lembra e protege sua casa via Telegram, Discord ou Slack. Habilidades de IA plugáveis. OpenAI, Google, Anthropic ou IA local. Executa em Mac Mini e AI PC.
Uma ferramenta de gestão de ficheiros alimentada por IA que garante a privacidade ao organizar textos e imagens locais. Utilizando os modelos Llama3.2 3B e Llava v1.6 com o SDK Nexa, ela digitaliza, reestrutura e organiza intuitivamente os ficheiros para acesso rápido e contínuo e recuperação fácil.
[EMNLP-2024] Construir agentes de linguagem multimodal para prototipagem e produção rápidas
Implementação e extensão de código aberto do PaperBanana da Google Research para figuras acadêmicas, diagramas e visuais de pesquisa automatizados, expandida para novos domínios como a geração de slides.
GLM-4.6V/4.5V/4.1V-Pensamento: Rumo ao Raciocínio Multimodal Versátil com Aprendizagem por Reforço Escalável
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 Framework de Agente LLM no ComfyUI inclui o servidor MCP, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0 e nós de prompt FLUX, acesso ao Feishu, discord, e se adapta a todos os LLMs com interfaces semelhantes ao openai / aisuite, como o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Adaptado a LLMs locais, VLM, GGUF como llama-3.3 Janus-Pro, Linkage graphRAG
Kit de ferramentas de replay de protocolo ponta a ponta para assinatura ChatGPT Plus/Team/Pro · Solucionador visual hCaptcha · Pesquisa empírica de mecanismos antifraude / Kit de ferramentas de replay de protocolo ponta a ponta para assinatura ChatGPT Plus/Team/Pro com solucionador hCaptcha do zero e pesquisa empírica antifraude
Motor de IA de borda em C++ pronto para produção para análise de vídeo e VLM no dispositivo em Sophon, Rockchip RKNN e x86, com orquestração visual, OSD em tempo real, eventos e benchmarks reproduzíveis.
Uma lista de leitura sobre segurança, proteção e privacidade de modelos de grande escala (incluindo Awesome LLM Security, Safety, etc.).
Awesome-Jailbreak-on-LLMs é uma coleção de métodos de jailbreak de última geração, novos e empolgantes em LLMs. Contém artigos, códigos, conjuntos de dados, avaliações e análises.
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.
OpenGUI é um framework de agente de GUI para Android voltado para IA em celulares, capaz de ver, planejar e operar aplicativos móveis reais através da interface gráfica.
Kit de ferramentas de compressão de modelos projetado para maior usabilidade, abrangência e eficiência.
Biblioteca de inferência de IA on-device para React Native, de alto desempenho e com foco na privacidade, alimentada pelo runtime ExecuTorch do PyTorch
🚀🚀🚀 Uma coleção de alguns projetos incríveis da série pública de detecção de objetos YOLO e os conjuntos de dados de detecção de objetos relacionados.
Otimização do projeto de aeronaves agilizada através de transformações de grafo computacional (por exemplo, diferenciação automática). Ferramentas de análise composicionais para aerodinâmica, propulsão, estruturas, projeto de trajetória e muito mais.
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.
JoyCaption é um modelo de linguagem visual (VLM) de legendagem de imagens, sendo construído do zero como um modelo gratuito, aberto e sem censura para a comunidade usar no treinamento de modelos de Difusão.
Plataforma aberta da InternRobotics para a construção de modelos fundamentais de navegação generalizados.
Implementação oficial do Gamer: um modelo fundacional generalista de visão, linguagem e ação para agentes de jogos em tempo real com horizonte de longo prazo
A coleção mais abrangente, continuamente atualizada e mais popular de mais de 100 habilidades de destilação de personalidades na web | Sistemas multiagentes | Todas as categorias: celebridades/diretores/lendas online/textos antigos/anime/local de trabalho/emoções
Perguntas Frequentes
Qual é o repositório de #vlm mais popular no GitHub?
O projeto de código aberto de #vlm mais bem classificado no GitHub é huggingface/transformers, com 169,339 estrelas. 🤗 Transformers: a estrutura de definição de modelos para modelos de machine learning de última geração em texto, visão, áudio e modelos multimodais, tanto para inferência quanto para treinamento.
Quais linguagens de programação são mais usadas nos repositórios de #vlm?
Entre os projetos de #vlm mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, TypeScript, Go.
Como é calculada a classificação dos repositórios de #vlm?
Acompanhamos 89 repositórios ativos de código aberto marcados com #vlm (com mais de 500 estrelas), totalizando 457,898 estrelas e uma média de 5,144 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.