Git Stars Git Stars

#multimodal-ai 仓库

191
仓库总数
589,873
总星标数
3,088
平均每个仓库星标数

共 191 个仓库

51
ByteDance-Seed/VeOmni

VeOmni:使用以模型为中心的分布式 Recipe Zoo 扩展任何模态模型训练

ByteDance-Seed
⭐ 2,299 Python 👤 ByteDance-Seed Organization 🕐 已更新 2026-11-21 📅 创建时间 2025-03-28
52
ActiveVisionLab/Awesome-LLM-3D

Awesome-LLM-3D: 3D世界中的多模态大语言模型精选资源列表

ActiveVisionLab
⭐ 2,284 👤 ActiveVisionLab Organization 🕐 已更新 2026-04-16 📅 创建时间 2023-12-15
53
Liuziyu77/Visual-RFT

'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning' 的官方仓库

Liuziyu77
⭐ 2,283 Jupyter Notebook 👤 Liuziyu77 User 🕐 已更新 2025-10-29 📅 创建时间 2025-02-24
54
mrgoonie/claudekit-skills

ClaudeKit.cc 的所有强大功能!

mrgoonie
⭐ 2,244 Python 👤 mrgoonie User 🕐 已更新 2026-04-03 📅 创建时间 2025-10-23
55
microsoft/LLaVA-Med

面向生物医学的大型语言与视觉助手,致力于实现多模态 GPT-4 级别的能力。

microsoft
⭐ 2,207 Python 👤 microsoft Organization 🕐 已更新 2025-06-04 📅 创建时间 2023-05-20
56
LAION-AI/CLAP

对比语言-音频预训练

LAION-AI
⭐ 2,167 Python 👤 LAION-AI Organization 🕐 已更新 2025-05-15 📅 创建时间 2022-03-06
57
km1994/LLMsNineStoryDemonTower

【LLMs九层妖塔】分享 LLMs在自然语言处理(ChatGLM、Chinese-LLaMA-Alpaca、小羊驼 Vicuna、LLaMA、GPT4ALL等)、信息检索(langchain)、语言合成、语言识别、多模态等领域(Stable Diffusion、MiniGPT-4、VisualGLM-6B、Ziya-Visual等)等 实战与经验。

km1994
⭐ 2,140 👤 km1994 User 🕐 已更新 2024-03-30 📅 创建时间 2023-05-01
58
shcherbak-ai/contextgem

使用大语言模型和决策模型从文档中提取结构化数据和洞察

shcherbak-ai
⭐ 2,095 Python 👤 shcherbak-ai Organization 🕐 已更新 2026-11-21 📅 创建时间 2024-10-11
59
Tencent-Hunyuan/HunyuanOCR

HunyuanOCR-1.5:让轻量级OCR视觉语言模型更快更好

Tencent-Hunyuan
⭐ 2,091 Python 👤 Tencent-Hunyuan Organization 🕐 已更新 2026-09-24 📅 创建时间 2025-11-18
60
QwenLM/Qwen2-Audio

Alibaba Cloud提出的Qwen2-Audio聊天和预训练大型音频语言模型的官方代码库。

QwenLM
⭐ 2,072 Python 👤 QwenLM Organization 🕐 已更新 2025-04-21 📅 创建时间 2024-06-24
61
merveenoyan/smol-vision

用于缩小、优化、定制前沿视觉模型的配方。💜

merveenoyan
⭐ 2,004 Jupyter Notebook 👤 merveenoyan User 🕐 已更新 2026-08-12 📅 创建时间 2024-03-13
62
NVIDIA-AI-Blueprints/video-search-and-summarization

NVIDIA AI 视频搜索与摘要(VSS)蓝图是一种 GPU 加速的参考架构,用于构建具有实时验证警报、视觉问答和自动报告功能的视频分析代理。VSS 蓝图使用视觉语言模型(VLM),如 NVIDIA Cosmos,大语言模型(LLM),如 NVIDIA Nemotron,以及 RAG 和 NVIDIA NIM。

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 已更新 2026-11-21 📅 创建时间 2024-10-22
63
chn-lee-yumi/MaterialSearch

语义搜索。通过自然语言搜索本地照片和视频。AI语义搜索本地素材。以图搜图、查找本地素材、根据文字描述匹配画面、视频帧搜索、根据画面描述搜索视频。

chn-lee-yumi
⭐ 1,998 HTML 👤 chn-lee-yumi User 🕐 已更新 2026-09-21 📅 创建时间 2023-03-16
65
kimjammer/Neuro

Neuro-Sama 的重现,最初在 7 天内完成。

kimjammer
⭐ 1,960 Python 👤 kimjammer User 🕐 已更新 2025-01-17 📅 创建时间 2024-01-07
66
microsoft/Magma

[CVPR 2025] Magma: 面向多模态人工智能代理的基础模型

microsoft
⭐ 1,948 Python 👤 microsoft Organization 🕐 已更新 2026-03-03 📅 创建时间 2024-11-22
67
gpt-omni/mini-omni2

迈向支持视觉、语音和双向能力的开源 GPT-4o。

gpt-omni
⭐ 1,896 Python 👤 gpt-omni Organization 🕐 已更新 2025-01-16 📅 创建时间 2024-10-14
68
ivanfioravanti/chatbot-ollama

Chatbot Ollama 是 Ollama 的一个开源聊天 UI。

ivanfioravanti
⭐ 1,892 TypeScript 👤 ivanfioravanti User 🕐 已更新 2025-09-05 📅 创建时间 2023-10-01
69
RanFeng/clipsketch-ai

将视频瞬间转化为手绘故事

RanFeng
⭐ 1,883 TypeScript 👤 RanFeng User 🕐 已更新 2026-01-14 📅 创建时间 2025-11-27
70
AutoArk/EVA-OS

EVA OS — 一款面向下一代硬件的实时多模态 AIOS,让您的设备“活”起来,并拥有如同真实大脑般的智慧。

AutoArk
⭐ 1,875 👤 AutoArk Organization 🕐 已更新 2026-08-03 📅 创建时间 2025-11-26
71
Audio-AGI/AudioSep

“分离你描述的任何内容”官方实现

Audio-AGI
⭐ 1,857 Python 👤 Audio-AGI Organization 🕐 已更新 2024-11-26 📅 创建时间 2023-08-08
72
facebookresearch/MetaCLIP

NeurIPS 2025 Spotlight;ICLR2024 Spotlight;CVPR 2024;EMNLP 2024

facebookresearch
⭐ 1,856 Python 👤 facebookresearch Organization 🕐 已更新 2026-08-11 📅 创建时间 2023-09-28
73
Core-Mate/OpenGUI

OpenGUI 是一个用于手机 AI 的 Android GUI 代理框架,它能够通过图形用户界面(GUI)观察、规划并操作真实的移动应用程序。

Core-Mate
⭐ 1,814 HTML 👤 Core-Mate Organization 🕐 已更新 2026-11-16 📅 创建时间 2026-04-18
74
apple-aiml-research/ml-4m

4M: 大规模多模态掩码建模

apple-aiml-research
⭐ 1,814 Python 👤 apple-aiml-research Organization 🕐 已更新 2026-09-11 📅 创建时间 2024-04-08
76
kijai/ComfyUI-Florence2

推理 Microsoft Florence2 VLM

kijai
⭐ 1,764 Python 👤 kijai User 🕐 已更新 2026-05-06 📅 创建时间 2024-06-19
77
facebookresearch/multimodal

TorchMultimodal 是一个 PyTorch 库,用于大规模训练最先进的多模态多任务模型。

facebookresearch
⭐ 1,747 Python 👤 facebookresearch Organization 🕐 已更新 2026-11-16 📅 创建时间 2022-01-27
80
waybarrios/vllm-mlx

适用于 Apple Silicon 的高性能 OpenAI 和 Anthropic 兼容 LLM 推理服务器。原生 MLX、连续批处理、多模态模型、MCP 工具调用和 Claude Code 支持。

waybarrios
⭐ 1,657 Python 👤 waybarrios User 🕐 已更新 2026-11-07 📅 创建时间 2025-12-06
82
baaivision/Emu3.5

原生多模态模型是世界学习者

baaivision
⭐ 1,567 Python 👤 baaivision Organization 🕐 已更新 2025-12-30 📅 创建时间 2025-10-29
83
microsoft/SoM

[arXiv 2023] GPT-4V 和 LMM 的 Set-of-Mark 提示

microsoft
⭐ 1,499 Python 👤 microsoft Organization 🕐 已更新 2024-08-19 📅 创建时间 2023-10-16
84
Nutlope/napkins

napkins.dev – 从截图到应用

Nutlope
⭐ 1,484 TypeScript 👤 Nutlope User 🕐 已更新 2026-10-23 📅 创建时间 2024-09-18
86
zstar1003/ragflow-plus

Ragflow-Plus 是 Ragflow 的二次开发版本,使其更为简洁实用

zstar1003
⭐ 1,471 Python 👤 zstar1003 User 🕐 已更新 2026-11-18 📅 创建时间 2025-03-24
87
0nutation/SpeechGPT

SpeechGPT系列:语音大语言模型

0nutation
⭐ 1,397 Python 👤 0nutation User 🕐 已更新 2024-07-22 📅 创建时间 2023-05-16
88
IDEA-Research/awesome-detection-transformer

收集一些关于用于检测和分割的Transformer的论文。计算机视觉(CV)的Awesome Detection Transformer

IDEA-Research
⭐ 1,392 👤 IDEA-Research Organization 🕐 已更新 2024-07-04 📅 创建时间 2022-03-09
89
gokayfem/awesome-vlm-architectures

精心整理的 200 多种视觉语言模型(VLM/MLLM)架构可视化目录:涵盖论文、示意图、训练方案、数据集,以及多模态 AI 智能体的发布时间线。

gokayfem
⭐ 1,368 Markdown 👤 gokayfem User 🕐 已更新 2026-10-27 📅 创建时间 2024-02-15
90
poe-platform/server-bot-quick-start

Poe服务器机器人教程

poe-platform
⭐ 1,347 Python 👤 poe-platform Organization 🕐 已更新 2026-11-16 📅 创建时间 2023-05-10
91
gavrielc/Nano-PDF

使用 Nano Banana 编辑 PDF 文件

gavrielc
⭐ 1,331 Python 👤 gavrielc User 🕐 已更新 2025-12-03 📅 创建时间 2025-11-28
92
ConardLi/easy-llm-cli

一个兼容多个 LLM 模型 的开源 AI 代理

ConardLi
⭐ 1,319 TypeScript 👤 ConardLi User 🕐 已更新 2026-02-05 📅 创建时间 2025-07-11
93
Meituan-AutoML/MobileVLM

面向移动设备的强大开放视觉语言助手

Meituan-AutoML
⭐ 1,317 Python 👤 Meituan-AutoML Organization 🕐 已更新 2024-04-15 📅 创建时间 2023-12-29
94
hemingkx/SpeculativeDecodingPapers

📰 关于 Speculative Decoding 的必读论文和博客 ⚡️

hemingkx
⭐ 1,309 👤 hemingkx User 🕐 已更新 2026-06-27 📅 创建时间 2023-09-20
95
JMAN730/opendroid

您的开放自主安卓代理——一个生产就绪、自我规划的AI助手,由本地/远程大语言模型驱动,并通过无障碍屏幕自动化实现操作。

JMAN730
⭐ 1,300 Kotlin 👤 JMAN730 User 🕐 已更新 2026-11-10 📅 创建时间 2026-05-21
96
opendatalab/LabelLLM

开源数据标注平台

opendatalab
⭐ 1,298 TypeScript 👤 opendatalab Organization 🕐 已更新 2026-07-02 📅 创建时间 2024-05-07
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 已更新 2025-11-20 📅 创建时间 2025-03-15
98
aiming-lab/Agent0

[ICML'26 & COLM'26] Agent0 系列:基于零数据的自我进化智能体

aiming-lab
⭐ 1,292 Python 👤 aiming-lab Organization 🕐 已更新 2026-07-10 📅 创建时间 2025-10-20
99
OpenTSLM/OpenTSLM

OpenTSLM:用于多变量医疗文本和时间序列数据推理的时间序列语言模型

OpenTSLM
⭐ 1,273 Python 👤 OpenTSLM Organization 🕐 已更新 2026-07-21 📅 创建时间 2025-05-14
100
VILA-Lab/Awesome-DLMs

综述论文“A Survey on Diffusion Language Models”的官方GitHub仓库。

VILA-Lab
⭐ 1,252 👤 VILA-Lab Organization 🕐 已更新 2026-10-02 📅 创建时间 2025-07-14