Git Stars Git Stars

#vision-language-model Репозитории

Откройте для себя 82 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #vision-language-model, с общим числом 263,383 звёзд (в среднем 3,211 на проект). Лидером этой темы является haotian-liu/LLaVA, набравший 24,232 звёзд.

82
Всего репозиториев
263,383
Всего звезд
3,211
Среднее количество звезд на репозиторий
Языки программирования: Python Jupyter Notebook TypeScript C++

Всего репозиториев: 82

1
haotian-liu/LLaVA

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) был создан для обеспечения возможностей уровня GPT-4V и выше.

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

OCR, анализ макета, порядок чтения, распознавание таблиц на 90+ языках

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

Qwen3-VL — это серия мультимодальных больших языковых моделей, разработанная командой Qwen компании Alibaba Cloud.

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

OCR-модель, обрабатывающая сложные таблицы, формы и рукописный ввод с полным сохранением макета.

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

X-AnyLabeling: лёгкое, эффективное и унифицированное кроссплатформенное настольное приложение для разметки текста, изображений, видео, облаков точек и мультимодальных данных. Оно сочетает универсальные встроенные инструменты с передовыми моделями ИИ и поддерживает гибкий экспорт в нескольких форматах.

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

крошечная модель визуального языка

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

[CVPR 2024 Oral] InternVL Family: новаторская альтернатива GPT-4o с открытым исходным кодом. Мультимодальная диалоговая модель с открытым исходным кодом, приближающаяся по производительности к GPT-4o.

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

Многоязычный разбор макета документа в единой модели "зрение-язык"

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

👀 Обучите VLM с 65 миллионами параметров с нуля всего за 2 часа!

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

Официальная реализация кода Общей теории оптического распознавания символов: На пути к OCR-2.0 через унифицированную сквозную модель

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

Официальный репозиторий Qwen-VL (通义千问-VL) чата и предварительно обученной большой визуально-языковой модели, предложенной Alibaba Cloud.

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

Единая мультимодальная модель с открытым исходным кодом

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

MLX-VLM — это пакет для инференса и тонкой настройки моделей зрения и языка (VLM) на вашем Mac с использованием MLX.

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

MineContext — ваш проактивный ИИ-партнер, осведомленный о контексте (Context-Engineering+ChatGPT Pulse)

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

DeepSeek-VL2: Модели «смесь экспертов» (Mixture-of-Experts) для обработки изображений и текста для углубленного мультимодального понимания

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

Align Anything: Обучение мультимодальной модели с обратной связью

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

Универсальный мультимодальный набор для оценки задач по тексту, изображениям, видео и аудио

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

Qwen3.8 — это серия больших языковых моделей, разработанная командой Qwen компании Alibaba Group.

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

DeepSeek-VL: К пониманию видения и языка в реальном мире

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

Официальный репозиторий MiniMax-Text-01 и MiniMax-VL-01, большая языковая модель и модель зрения-языка на основе линейного внимания

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

«Швейцарский армейский нож» для офлайн-ИИ. Общайтесь, распознавайте изображения, говорите и создавайте картинки на своем телефоне или Mac — поддержка GGUF LLM, зрения, преобразования речи в текст Whisper, Stable Diffusion, вызова инструментов и серверов локальной сети. Работает на вашем CPU, GPU или NPU. Никаких аккаунтов, никаких API-ключей, данные не покидают ваше устройство.

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

Официальный репозиторий для "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

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

Коллекция ПОТРЯСАЮЩИХ моделей "зрение-язык" для задач компьютерного зрения

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

InternLM-XComposer2.5-OmniLive: Комплексная мультимодальная система для долгосрочного потокового взаимодействия с видео и аудио

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

Код, используемый для обучения и выполнения выводов с моделями ColVision, например ColPali, ColQwen2 и ColSmol.

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

Фреймворк Cradle — это первая попытка в области Общего Компьютерного Управления (GCC). Cradle поддерживает агентов в выполнении любых компьютерных задач, обеспечивая сильные способности к рассуждению, самосовершенствование и курирование навыков в стандартизированной общей среде с минимальными требованиями.

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

Архитектура NVIDIA AI Blueprint для поиска и обобщения видео (VSS) представляет собой эталонную архитектуру с ускорением на GPU для создания агентов видеоаналитики с проверенными в реальном времени оповещениями, визуальными вопросами и ответами, а также автоматизированной отчетностью. VSS Blueprint использует модели визуального языка (VLM), такие как NVIDIA Cosmos, LLM, такие как NVIDIA Nemotron, RAG и NVIDIA NIM.

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

Реализация с открытым исходным кодом для тонкой настройки серии Qwen-VL от Alibaba Cloud.

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

[CVPR 2025] Open-source, End-to-end, Vision-Language-Action модель для GUI-агента и использования компьютера.

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

Собранный список отличных ресурсов LLM/VLM/VLA/Мировой модели для автономного вождения (LLM4AD) (непрерывно обновляется)

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

Сборник оригинальных, инновационных идей и алгоритмов для продвинутых литературных машин. Этот проект поддерживается командой OCR в лаборатории языковых технологий Tongyi Lab группы Alibaba.

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

【ICML 2025 Spotlight】 Официальный репозиторий для статьи «HealthGPT: Большая медицинская визуально-языковая модель для унификации понимания и генерации посредством адаптации гетерогенных знаний»

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

Высокопроизводительный сервер логического вывода LLM, совместимый с OpenAI и Anthropic, для Apple Silicon. Нативный MLX, непрерывная пакетная обработка, мультимодальные модели, вызовы инструментов MCP и поддержка Claude Code.

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

Seed1.5-VL, фундаментальная модель обработки изображений и языка, разработанная для продвижения общего мультимодального понимания и рассуждений, достигающая передовых результатов по 38 из 60 общедоступных эталонных тестов.

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

Новая архитектура мультимодальной большой языковой модели (MLLM), разработанная для структурного согласования визуальных и текстовых вложений.

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

Получайте чистые данные из сложных документов с помощью моделей "зрение-язык" ⚡

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

[ICCV 2025] Реализация для Describe Anything: Детальное локализованное описание изображений и видео

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

Точно настраивайте LLMs на вашем Mac с Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding и тонкая настройка OCR — нативно на MLX. API, совместимый с Unsloth.

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

Сводка японских LLM - Обзор японских LLM

llm-jp
⭐ 1,446 TypeScript 👤 llm-jp Organization 🕐 Обновлено 2026-11-09 📅 Создано 2023-07-09
41
ATH-MaaS/Awesome-Unified-Multimodal-Models

Потрясающие унифицированные мультимодальные модели

ATH-MaaS
⭐ 1,325 👤 ATH-MaaS Organization 🕐 Обновлено 2026-03-24 📅 Создано 2025-05-07
42
Meituan-AutoML/MobileVLM

Сильный и открытый языковой ассистент с поддержкой зрения для мобильных устройств

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

Реализация "Prismer: модель зрения и языка с экспертами для различных задач".

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

Разработайте лучший набор визуальных инструментов и навыков для текстовых моделей, чтобы они могли «видеть» изображения, поддерживая понимание нескольких изображений, вопросы и ответы по изображениям, восстановление пользовательского интерфейса фронтенда, автоматизацию графического интерфейса и т. д., с возможностью бесшовной интеграции с несколькими основными агентами и прямым распознаванием вставленных изображений | Набор визуальных инструментов и навыков, разработанный для текстовых LLM: вопросы и ответы по изображениям, OCR длинных скриншотов, восстановление пользовательского интерфейса фронтенда и автоматизация графического интерфейса, с возможностью бесшовной интеграции для Codex, Claude Code, Pi, Oh My Pi и OpenCode

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

Полностью открытая структура для демократизированного мультимодального обучения

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

Kimi-VL: Модель Vision-Language Mixture-of-Experts для мультимодального рассуждения, понимания длинного контекста и мощных возможностей агента

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

Эта серия проведет вас через путь от основ обработки естественного языка (NLP) и компьютерного зрения до передовых моделей визуализации и языка.

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

Прозрачная обобщенная модель для целостного медико-визуально-языкового понимания

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

RAG без парсинга, поддерживаемый VLM

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

[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), первая в своем роде модель, способная генерировать ответы на естественном языке, которые бесшовно интегрированы с масками сегментации объектов.

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

Часто задаваемые вопросы

1

Какой репозиторий по теме #vision-language-model наиболее популярен на GitHub?

Самый высоко оценённый проект с открытым исходным кодом по теме #vision-language-model на GitHub — haotian-liu/LLaVA, набравший 24,232 звёзд. [NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) был создан для обеспечения возможностей уровня GPT-4V и выше.

2

Какие языки программирования чаще всего используются в репозиториях по теме #vision-language-model?

Среди наиболее высоко оценённых проектов по теме #vision-language-model на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, TypeScript, C++.

3

Как рассчитывается рейтинг репозиториев по теме #vision-language-model?

Мы отслеживаем 82 активных репозиториев с открытым исходным кодом, отмеченных тегом #vision-language-model (500 и более звёзд), с общим числом 263,383 звёзд и в среднем 3,211 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.