#vision-language-models Репозитории
Откройте для себя 86 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #vision-language-models, с общим числом 198,329 звёзд (в среднем 2,306 на проект). Лидером этой темы является Vision-CAIR/MiniGPT-4, набравший 25,770 звёзд.
Всего репозиториев: 86
Открытые исходные коды для MiniGPT-4 и MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Этот репозиторий содержит официальную реализацию "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
Инфраструктура компьютерного зрения для преобразования сложных документов в данные, готовые для LLM
VILA — это семейство передовых моделей визуального языка (VLM) для различных мультимодальных задач искусственного интеллекта на периферии, в центрах обработки данных и в облаке.
Курируемый список передовых исследований в области воплощенного ИИ (embodied AI) с акцентом на модели «зрение-язык-действие» (VLA), навигацию «зрение-язык» (VLN) и связанные с ними подходы к мультимодальному обучению.
[NeurIPS 2025] OmniSVG — это первое семейство сквозных мультимодальных генераторов SVG, использующих предварительно обученные модели зрения и языка (VLM), способных генерировать сложные и детализированные SVG, от простых значков до замысловатых аниме-персонажей.
Современные модели CLIP для изображений и видео, мультимодальные большие языковые модели и многое другое!
[ICCV 2025] LLaVA-CoT, визуально-языковая модель, способная к спонтанному, систематическому рассуждению
Семантический поиск. Ищите локальные фотографии и видео с помощью естественного языка. ИИ-семантический поиск локальных материалов. Поиск по изображению, поиск локальных материалов, сопоставление сцен по текстовому описанию, поиск видео по кадрам, поиск видео по описанию сцен.
К GPT-4o с открытым исходным кодом, обладающему возможностями зрения, речи и дуплекса.
Colivara — это набор сервисов, который позволяет хранить, искать и извлекать документы на основе их визуального встраивания. ColiVara обеспечивает высочайшую производительность поиска как для текстовых, так и для визуальных документов. используя модели зрения вместо разбиения на части и текстовой обработки документов. Без OCR, без извлечения текста, без поврежденных таблиц или отсутствующих изображений.
Этот репозиторий предоставляет ценные справочные материалы для исследователей в области мультимодальности, начните свое исследовательское путешествие по RL-основанным MLLM для рассуждений!
Официальный репозиторий эволюционной оптимизации рецептов слияния моделей
Подборка с наглядным каталогом более чем 200 архитектур моделей «зрение — язык» (VLM/MLLM): статьи, схемы, рецепты обучения, наборы данных и хронология выпусков мультимодальных ИИ-агентов.
Сборник статей на тему «Компьютерное зрение в естественных условиях (CVinW)»
Создание универсальных роботов на основе воплощенной фундаментальной модели
[ICML'26 & COLM'26] Серия Agent0: Саморазвивающиеся агенты на основе нулевых данных
Открытый каталог агентов для работы с компьютером, основанный на источниках: проверенные статьи, модели GUI, наборы данных, бенчмарки, инструменты и повторно используемые данные JSONL/SQLite.
Модели Cosmos-Reason1 понимают физический здравый смысл и генерируют соответствующие воплощенные решения на естественном языке посредством длительных процессов рассуждений в виде цепочки мыслей.
ReKep: Пространственно-временное рассуждение реляционных ключевых точек для роботизированных манипуляций
Легковесная среда постобучения LLM, поддерживает SFT, RLVR, On-Policy KD, Guide KD и смешанное обучение; реализует одно-/многорундовую Guide-дистилляцию, дистилляцию с несколькими учителями, смешанное обучение Reward и автоматизированное разделение данных👩🎓👨🎓
Курируемый список публикаций по семантической сегментации с открытым словарем и связанным областям (например, семантическая сегментация с нулевым выстрелом) ресурсы..
Гибкая и эффективная кодовая база для обучения визуально-обусловленных языковых моделей (VLM)
[NeurIPS' 2025] JarvisArt: Освобождение человеческого художественного творчества с помощью интеллектуального агента для ретуши фотографий
[ECCV 2024] официальный код для "Long-CLIP: Разблокировка возможности работы с длинными текстами в CLIP"
MiniGPT-4 Китайское развертывание Перевод Уточнение деталей развертывания
Серия моделей с открытыми весами и 11 млрд параметров для понимания длинных и видео в реальном времени
📖 Это репозиторий для организации статей, кода и других ресурсов, связанных с унифицированными мультимодальными моделями.
Часто задаваемые вопросы
Какой репозиторий по теме #vision-language-models наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #vision-language-models на GitHub — Vision-CAIR/MiniGPT-4, набравший 25,770 звёзд. Открытые исходные коды для MiniGPT-4 и MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Какие языки программирования чаще всего используются в репозиториях по теме #vision-language-models?
Среди наиболее высоко оценённых проектов по теме #vision-language-models на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, C++, Rust.
Как рассчитывается рейтинг репозиториев по теме #vision-language-models?
Мы отслеживаем 86 активных репозиториев с открытым исходным кодом, отмеченных тегом #vision-language-models (500 и более звёзд), с общим числом 198,329 звёзд и в среднем 2,306 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.