Git Stars Git Stars

#vision-language-model 仓库

82
仓库总数
263,383
总星标数
3,211
平均每个仓库星标数
51
Anionex/dsh-vision-toolkit

[dsh] 为纯文本模型设计的更强大视觉工具箱:一行命令即可安装使用、粘贴图片即可直接识别、多张图片问答、截图还原为前端 UI 等|DeepSeek Harness 原生集成 agent-vision-toolkit:图片问答、长截图 OCR、UI 还原、定位、像素差异、Artifacts 和 Web UI。

Anionex
⭐ 949 TypeScript 👤 Anionex User 🕐 已更新 2026-11-21 📅 创建时间 2026-08-13
52
PKU-YuanGroup/Chat-UniVi

[CVPR 2024 Highlight🔥] Chat-UniVi: 统一视觉表征赋能大语言模型实现图像和视频理解

PKU-YuanGroup
⭐ 943 Python 👤 PKU-YuanGroup Organization 🕐 已更新 2024-10-16 📅 创建时间 2023-11-13
53
Valen-Team/Valen

开放式多模态决策模型,参数规模从 0.8B 到 27B,支持文本、图像和视频。对自选候选项进行概率判断,并用边界框定位,而非生成文本。提供免费 API、ONNX、GGUF、vLLM 和 SGLang;附带微调代码。

Valen-Team
⭐ 932 Python 👤 Valen-Team Organization 🕐 已更新 2026-11-15 📅 创建时间 2026-09-23
54
facebookresearch/ShapeR

ShapeR研究论文的代码

facebookresearch
⭐ 904 Python 👤 facebookresearch Organization 🕐 已更新 2026-04-30 📅 创建时间 2026-01-14
55
SkalskiP/top-cvpr-2025-papers

关于 该存储库是 CVPR 2025 最激动人心且最具影响力的论文的精选集。🔥 [论文 + 代码 + 演示]

SkalskiP
⭐ 899 Python 👤 SkalskiP User 🕐 已更新 2026-04-15 📅 创建时间 2025-05-31
56
xlang-ai/OpenCUA

[NeurIPS 2025 Spotlight] OpenCUA:计算机使用代理的开放基础

xlang-ai
⭐ 877 Python 👤 xlang-ai Organization 🕐 已更新 2026-05-25 📅 创建时间 2025-06-21
57
SunzeY/AlphaCLIP

[CVPR 2024] Alpha-CLIP:一个你想要的任意关注点的CLIP模型

SunzeY
⭐ 876 Jupyter Notebook 👤 SunzeY User 🕐 已更新 2025-07-20 📅 创建时间 2023-11-27
59
OpenMOSS/MOSS-VL

一个用于长视频和实时视频理解的开放权重 11B 模型系列

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 已更新 2026-10-14 📅 创建时间 2026-04-08
60
mlfoundations/MINT-1T

🍃 MINT-1T:一个拥有万亿级令牌的多模态交错数据集。

mlfoundations
⭐ 828 👤 mlfoundations Organization 🕐 已更新 2024-07-31 📅 创建时间 2024-06-16
61
zubair-irshad/Awesome-Robotics-3D

一个精选的3D视觉论文列表,涉及大模型时代,即LLMs/VLMs,在机器人领域,灵感来源于awesome-computer-vision,包括论文、代码和相关网站

zubair-irshad
⭐ 824 👤 zubair-irshad User 🕐 已更新 2025-12-17 📅 创建时间 2024-08-12
62
huangwl18/VoxPoser

VoxPoser: 用于语言模型的机器人操作的可组合3D价值图

huangwl18
⭐ 806 Python 👤 huangwl18 User 🕐 已更新 2025-02-20 📅 创建时间 2023-11-02
63
zhengli97/Awesome-Prompt-Adapter-Learning-for-VLMs-CLIP

精选的适用于 CLIP 等视觉语言模型的优秀提示/适配器学习方法列表。

zhengli97
⭐ 802 👤 zhengli97 User 🕐 已更新 2026-07-17 📅 创建时间 2024-03-15
64
2toinf/X-VLA

[ICLR 2026] "Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model" 的官方实现

2toinf
⭐ 762 C++ 👤 2toinf User 🕐 已更新 2026-10-20 📅 创建时间 2025-09-25
65
magicrew/doc7

通过视觉理解将文档转换为 AI 就绪的 Markdown

magicrew
⭐ 719 Go 👤 magicrew Organization 🕐 已更新 2026-08-07 📅 创建时间 2026-08-02
66
NVlabs/OmniVinci

OmniVinci 是一个全模态 LLM,用于联合理解视觉、音频和语言。

NVlabs
⭐ 683 Python 👤 NVlabs Organization 🕐 已更新 2026-08-31 📅 创建时间 2025-09-24
67
wanshuiyin/ARIS-in-AI-Offer

面向 AI 秋招的中英双语 ML / LLM / diffusion / agent 面试速查表——由 ARIS /interview-cheatsheet 生成,通过 /render-html 渲染为可随处阅读的单文件 HTML——另有经 CV→DBLP 事实核查的学术主页生成器,以及亲自撰写的长篇博客 🌱

wanshuiyin
⭐ 661 Python 👤 wanshuiyin User 🕐 已更新 2026-11-18 📅 创建时间 2026-05-19
⭐ 650 👤 XiaomiMiMo Organization 🕐 已更新 2026-10-29 📅 创建时间 2025-05-29
⭐ 647 Python 👤 Visual-Agent Organization 🕐 已更新 2026-02-26 📅 创建时间 2025-10-31
70
NJU-3DV/SpatialVID

[CVPR 2026] SpatialVID:具有空间标注的大规模视频数据集

NJU-3DV
⭐ 614 Python 👤 NJU-3DV Organization 🕐 已更新 2026-04-22 📅 创建时间 2025-09-10
71
LAMDA-CL/LAMDA-PILOT

🎉 PILOT:基于预训练模型的持续学习工具箱

LAMDA-CL
⭐ 614 Python 👤 LAMDA-CL Organization 🕐 已更新 2026-01-29 📅 创建时间 2023-08-30
72
linzhiqiu/t2v_metrics

使用 VQAScore 评估文本到图像/视频/3D 模型

linzhiqiu
⭐ 607 Python 👤 linzhiqiu User 🕐 已更新 2026-06-05 📅 创建时间 2023-12-16
73
IuvenisSapiens/ComfyUI_Qwen3-VL-Instruct

将 Qwen3-VL-Instruct 系列成功集成到 ComfyUI 平台后,实现了顺畅的运行,支持(但不限于)基于文本的查询、视频查询、单张图像查询以及多张图像查询,以生成字幕或回复。

IuvenisSapiens
⭐ 587 Python 👤 IuvenisSapiens User 🕐 已更新 2025-10-23 📅 创建时间 2024-08-31
74
FoundationVision/Groma

[ECCV2024] 具有局部化视觉标记的基础多模态大型语言模型

FoundationVision
⭐ 582 Python 👤 FoundationVision Organization 🕐 已更新 2024-06-07 📅 创建时间 2024-04-21
75
ictnlp/LLaVA-Mini

LLaVA-Mini 是一个统一的大型多模态模型 (LMM),能够高效地支持图像、高分辨率图像和视频的理解。

ictnlp
⭐ 575 Python 👤 ictnlp Organization 🕐 已更新 2025-06-29 📅 创建时间 2025-01-07
76
cambrian-mllm/cambrian-s

Cambrian-S:迈向视频中的空间超感测

cambrian-mllm
⭐ 573 Python 👤 cambrian-mllm Organization 🕐 已更新 2026-04-03 📅 创建时间 2025-10-13
77
Flame-Code-VLM/Flame-Code-VLM

Flame 是一个开源的多模态 AI 系统,旨在将 UI 设计模型翻译成高质量的 React 代码。它利用视觉语言建模、自动化数据合成和结构化训练工作流程,以弥合设计与前端开发之间的差距。

Flame-Code-VLM
⭐ 564 Python 👤 Flame-Code-VLM Organization 🕐 已更新 2026-02-11 📅 创建时间 2025-02-10
78
OpenGVLab/Multi-Modality-Arena

聊天机器人竞技场 만나다 多模态!多模态竞技场允许您在提供图像作为输入的同时,并排基准测试视觉语言模型。支持MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2 等等等!

OpenGVLab
⭐ 553 Python 👤 OpenGVLab Organization 🕐 已更新 2024-04-21 📅 创建时间 2023-05-10
79
Mengqi-Lei/count-anything

论文✨Counting Anything的代码和实现指南。项目页面:https://mengqi-lei.github.io/count-anything-projectpage/

Mengqi-Lei
⭐ 545 Python 👤 Mengqi-Lei User 🕐 已更新 2026-08-12 📅 创建时间 2026-05-18
80
vulab-AI/Awesome-Spatial-VLMs

[Awesome-Spatial-VLMs] 本仓库是综述论文《Spatial Intelligence in Vision-Language Models: A Comprehensive Survey》的官方社区维护资源。

vulab-AI
⭐ 525 Python 👤 vulab-AI Organization 🕐 已更新 2026-07-30 📅 创建时间 2025-07-10
81
mll-lab-nu/VAGEN

面向多轮视觉语言模型(VLM)智能体的世界模型强化学习。视觉强化学习框架(NeurIPS 2025)。

mll-lab-nu
⭐ 525 Python 👤 mll-lab-nu Organization 🕐 已更新 2026-10-29 📅 创建时间 2025-03-04
82
Jiaaqiliu/Awesome-VLA-Robotics

机器人领域Vision‑Language‑Action (VLA) 模型的全面优秀研究论文、模型、数据集及其他资源清单。

Jiaaqiliu
⭐ 505 👤 Jiaaqiliu User 🕐 已更新 2026-10-19 📅 创建时间 2025-04-21