#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.
Всего репозиториев: 82
[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) был создан для обеспечения возможностей уровня GPT-4V и выше.
Qwen3-VL — это серия мультимодальных больших языковых моделей, разработанная командой Qwen компании Alibaba Cloud.
OCR-модель, обрабатывающая сложные таблицы, формы и рукописный ввод с полным сохранением макета.
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.
[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.
Официальная реализация кода Общей теории оптического распознавания символов: На пути к OCR-2.0 через унифицированную сквозную модель
Официальный репозиторий Qwen-VL (通义千问-VL) чата и предварительно обученной большой визуально-языковой модели, предложенной Alibaba Cloud.
MLX-VLM — это пакет для инференса и тонкой настройки моделей зрения и языка (VLM) на вашем Mac с использованием MLX.
MineContext — ваш проактивный ИИ-партнер, осведомленный о контексте (Context-Engineering+ChatGPT Pulse)
DeepSeek-VL2: Модели «смесь экспертов» (Mixture-of-Experts) для обработки изображений и текста для углубленного мультимодального понимания
Универсальный мультимодальный набор для оценки задач по тексту, изображениям, видео и аудио
Qwen3.8 — это серия больших языковых моделей, разработанная командой Qwen компании Alibaba Group.
Официальный репозиторий MiniMax-Text-01 и MiniMax-VL-01, большая языковая модель и модель зрения-языка на основе линейного внимания
«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.
Официальный репозиторий для "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"
InternLM-XComposer2.5-OmniLive: Комплексная мультимодальная система для долгосрочного потокового взаимодействия с видео и аудио
Код, используемый для обучения и выполнения выводов с моделями ColVision, например ColPali, ColQwen2 и ColSmol.
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.
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.
Реализация с открытым исходным кодом для тонкой настройки серии Qwen-VL от Alibaba Cloud.
[CVPR 2025] Open-source, End-to-end, Vision-Language-Action модель для GUI-агента и использования компьютера.
Собранный список отличных ресурсов LLM/VLM/VLA/Мировой модели для автономного вождения (LLM4AD) (непрерывно обновляется)
Сборник оригинальных, инновационных идей и алгоритмов для продвинутых литературных машин. Этот проект поддерживается командой OCR в лаборатории языковых технологий Tongyi Lab группы Alibaba.
【ICML 2025 Spotlight】 Официальный репозиторий для статьи «HealthGPT: Большая медицинская визуально-языковая модель для унификации понимания и генерации посредством адаптации гетерогенных знаний»
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.
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.
Новая архитектура мультимодальной большой языковой модели (MLLM), разработанная для структурного согласования визуальных и текстовых вложений.
[ICCV 2025] Реализация для Describe Anything: Детальное локализованное описание изображений и видео
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.
Сильный и открытый языковой ассистент с поддержкой зрения для мобильных устройств
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
Полностью открытая структура для демократизированного мультимодального обучения
Kimi-VL: Модель Vision-Language Mixture-of-Experts для мультимодального рассуждения, понимания длинного контекста и мощных возможностей агента
Эта серия проведет вас через путь от основ обработки естественного языка (NLP) и компьютерного зрения до передовых моделей визуализации и языка.
Прозрачная обобщенная модель для целостного медико-визуально-языкового понимания
[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.
Часто задаваемые вопросы
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.
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++.
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.