#vision-language-model 仓库
探索 82 个标记为 #vision-language-model 的活跃开源 GitHub 仓库,它们累计获得 263,383 个 Star(平均每个项目 3,211 个)。该主题的领先项目是 haotian-liu/LLaVA,拥有 24,232 个 Star。
共 82 个仓库
X-AnyLabeling:一款轻量、高效、统一的跨平台桌面应用程序,可用于标注文本、图像、视频、点云和多模态数据。它融合了功能多样的内置工具、先进的 AI 模型,并支持灵活导出为多种格式。
离线人工智能的“瑞士军刀”。在您的手机或 Mac 上进行聊天、视觉识别、语音交互和图像生成——支持 GGUF 大语言模型、视觉模型、Whisper 语音转文字、Stable Diffusion、工具调用以及局域网服务器。可在您的 CPU、GPU 或 NPU 上运行。无需账户,无需 API 密钥,数据绝不出设备。
"Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"的官方仓库
Cradle框架是通用计算机控制(GCC)的首次尝试。Cradle通过在具有最低要求的标准化通用环境中实现强大的推理能力、自我改进和技能策展,支持代理完成任何计算机任务。
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。
【ICML 2025 Spotlight】 论文‘’HealthGPT : A Medical Large Vision-Language Model for Unifying Comprehension and Generation via Heterogeneous Knowledge Adaptation‘’ 的官方仓库
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。
使用 Apple Silicon 在你的 Mac 上微调 LLM。SFT、DPO、GRPO、视觉、TTS、STT、嵌入和 OCR 微调 — 原生在 MLX 上。与 Unsloth 兼容的 API。
为纯文本模型“看图”设计更好的视觉工具箱和技能,支持多图理解,图片问答,前端UI还原、GUI 自动化等,并可选无缝接入多个主流agent,直接识别粘贴图片| 为纯文本LLM设计的视觉工具箱和技能——图片问答、长截图OCR、前端UI还原和GUI自动化,可选无缝集成Codex、Claude Code、Pi、Oh My Pi和OpenCode
[CVPR 2024 🔥] GLaMM(Grounding Large Multimodal Model),一种首创模型,能够生成与对象分割掩码无缝集成的自然语言响应。
常见问题解答
GitHub 上最受欢迎的 #vision-language-model 仓库是什么?
GitHub 上排名第一的开源 #vision-language-model 项目是 haotian-liu/LLaVA,拥有 24,232 个 Star。[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) 致力于实现 GPT-4V 级别乃至更高级别的能力。
#vision-language-model 仓库中最常使用的编程语言有哪些?
在 GitHub 上排名靠前的 #vision-language-model 项目中,最常见的编程语言是 Python, Jupyter Notebook, TypeScript, C++。
#vision-language-model 仓库的排名是如何计算的?
我们跟踪了 82 个标记为 #vision-language-model 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 263,383 个 Star,平均每个仓库拥有 3,211 个 Star。排名每日根据 GitHub API 更新。