#foundation-models Репозитории
Откройте для себя 155 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #foundation-models, с общим числом 525,346 звёзд (в среднем 3,389 на проект). Лидером этой темы является facebookresearch/segment-anything, набравший 53,052 звёзд.
Всего репозиториев: 155
Репозиторий предоставляет код для выполнения инференса с помощью модели SegmentAnything (SAM), ссылки для загрузки контрольных точек обученной модели и примеры блокнотов, демонстрирующих, как использовать модель.
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) был создан для обеспечения возможностей уровня GPT-4V и выше.
Масштабное самообучающееся предварительное обучение по задачам, языкам и модальностям
Репозиторий предоставляет код для выполнения инференса с помощью Meta Segment Anything Model 2 (SAM 2), ссылки для загрузки обученных чекпоинтов модели и примеры ноутбуков, демонстрирующие, как использовать модель.
[WIP] Ресурсы для инженеров ИИ. Также содержит вспомогательные материалы для книги "AI Engineering" (Chip Huyen, 2025)
YuE2: передовая генерация музыки с символическим планированием, созданием каверов без примеров и агентным редактированием музыки.
Репозиторий предоставляет код для выполнения вывода и тонкой настройки с помощью модели Meta Segment Anything Model 3 (SAM 3), ссылки для загрузки обученных контрольных точек модели и примеры ноутбуков, демонстрирующие использование модели.
Moshi — это базовая модель преобразования речи в текст и полнодуплексная система речевого диалога. Она использует Mimi, передовой потоковый нейронный аудиокодек.
Библиотека Python для обнаружения аномалий в табличных данных, временных рядах, графах, текстах, изображениях и аудио. Включает более 60 детекторов, оркестрацию ADEngine на основе бенчмарков и агентный рабочий процесс для ИИ-агентов.
OpenSquilla — токен-эффективный ИИ-агент с тем же бюджетом, но более высокой плотностью интеллекта
Chronos: Предобученные модели для прогнозирования временных рядов
LimiX: Раскрытие возможностей моделирования структурированных данных для универсального интеллекта https://arxiv.org/abs/2609.17488
TimeGPT-2.1: предварительно обученная фундаментальная модель временных рядов, готовая к использованию в промышленной эксплуатации, для прогнозирования и обнаружения аномалий. Генеративный предварительно обученный трансформер для временных рядов, обученный на более чем 100 млрд точек данных. Всего несколько строк кода позволяют выполнять точные прогнозы в различных областях, включая розничную торговлю, электроэнергетику, финансы и IoT 🚀.
Grounded SAM 2: Заземление и отслеживание чего угодно в видео с помощью Grounding DINO, Florence-2 и SAM 2
В репозитории представлен код для выполнения инференса с помощью модели Meta Segment Anything Audio Model (SAM-Audio), ссылки для загрузки обученных контрольных точек модели и примеры ноутбуков, демонстрирующие, как использовать модель.
Код и модели для статьи ICML 2024, NExT-GPT: Any-to-Any Мультимодальная большая языковая модель
[CVPR2024 Highlight][VideoChatGPT] ChatGPT с пониманием видео! А также многие другие поддерживаемые LM, такие как miniGPT4, StableLM и MOSS.
SuperCLUE: Комплексный бенчмарк для универсальных больших моделей на китайском языке | Бенчмарк для базовых моделей на китайском языке
Otter, мультимодальная модель на основе OpenFlamingo (версия Flamingo от DeepMind с открытым исходным кодом), обученная на MIMIC-IT и демонстрирующая улучшенную способность следовать инструкциям и обучаться в контексте.
Официальный репозиторий MOSS-Image — базовой DiT-модели с 5 млрд параметров, обеспечивающей высококачественный рендеринг текста, генерацию макетов и эффективную тонкую настройку.
[Номинация на лучшую статью CVPR 2025] FoundationStereo: Беспримесное стереосопоставление (Zero-Shot Stereo Matching)
Holistic Evaluation of Language Models (HELM) — это фреймворк Python с открытым исходным кодом, созданный Центром исследований фундаментальных моделей (CRFM) в Стэнфорде для целостной, воспроизводимой и прозрачной оценки фундаментальных моделей, включая большие языковые модели (LLM) и мультимодальные модели.
Изображения для вывода без разметки (используйте базовые модели для обучения моделей с учителем).
GigaBrain-0: Визуально-языково-действенная модель, работающая на основе мировой модели
[ECCV2024] Видеофундаментальные модели и данные для мультимодального понимания
Awesome-LLM-3D: тщательно подобранный список мультимодальных больших языковых моделей в 3D-мире Ресурсы
[CVPR 2025] Официальная реализация MambaVision на PyTorch: гибридный Mamba-Transformer для компьютерного зрения
Потрясающие вещи об агентах на базе LLM. Статьи / Репозитории / Блоги / ...
Это мастер-класс, разработанный для Amazon Bedrock, сервиса фундаментальных моделей.
Автоматический оценщик для языковых моделей, следующих инструкциям. Проверено человеком, высокое качество, дешево и быстро.
Часто задаваемые вопросы
Какой репозиторий по теме #foundation-models наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #foundation-models на GitHub — facebookresearch/segment-anything, набравший 53,052 звёзд. Репозиторий предоставляет код для выполнения инференса с помощью модели SegmentAnything (SAM), ссылки для загрузки контрольных точек обученной модели и примеры блокнотов, демонстрирующих, как использовать модель.
Какие языки программирования чаще всего используются в репозиториях по теме #foundation-models?
Среди наиболее высоко оценённых проектов по теме #foundation-models на GitHub чаще всего используются языки программирования Python, Jupyter Notebook.
Как рассчитывается рейтинг репозиториев по теме #foundation-models?
Мы отслеживаем 155 активных репозиториев с открытым исходным кодом, отмеченных тегом #foundation-models (500 и более звёзд), с общим числом 525,346 звёзд и в среднем 3,389 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.