Git Stars Git Stars

#vision-language-models 仓库

探索 86 个标记为 #vision-language-models 的活跃开源 GitHub 仓库,它们累计获得 198,329 个 Star(平均每个项目 2,306 个)。该主题的领先项目是 Vision-CAIR/MiniGPT-4,拥有 25,770 个 Star。

86
仓库总数
198,329
总星标数
2,306
平均每个仓库星标数
1
Vision-CAIR/MiniGPT-4

MiniGPT-4 和 MiniGPT-v2 的开源代码 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

Vision-CAIR
⭐ 25,770 Python 👤 Vision-CAIR Organization 🕐 已更新 2024-09-02 📅 创建时间 2023-04-15
2
deepseek-ai/DeepSeek-OCR

光学压缩上下文

deepseek-ai
⭐ 24,180 Python 👤 deepseek-ai Organization 🕐 已更新 2026-01-27 📅 创建时间 2025-10-17
3
allenai/olmocr

用于LLM数据集/训练的PDF线性化工具包

allenai
⭐ 19,838 Python 👤 allenai Organization 🕐 已更新 2026-03-25 📅 创建时间 2024-09-17
4
NVIDIA/Isaac-GR00T

NVIDIA Isaac GR00T N1.7 - 通用的机器人基础模型。

NVIDIA
⭐ 8,402 Python 👤 NVIDIA Organization 🕐 已更新 2026-11-17 📅 创建时间 2025-03-11
5
apple-aiml-research/ml-fastvlm

本仓库包含“FastVLM: Efficient Vision Encoding for Vision Language Models” (CVPR 2025) 的官方实现

apple-aiml-research
⭐ 7,445 Python 👤 apple-aiml-research Organization 🕐 已更新 2026-09-11 📅 创建时间 2025-05-01
6
LargeWorldModel/LWM

大型世界模型 -- 使用数百万上下文进行文本和视频建模

LargeWorldModel
⭐ 7,391 Python 👤 LargeWorldModel Organization 🕐 已更新 2024-10-19 📅 创建时间 2024-02-08
7
google/gemma.cpp

Google Gemma 模型轻量级独立 C++ 推理引擎。

google
⭐ 7,089 C++ 👤 google Organization 🕐 已更新 2026-11-20 📅 创建时间 2024-02-13
8
huggingface/nanoVLM

用于训练/微调小型 VLM 的最简单、最快的存储库。

huggingface
⭐ 5,063 Python 👤 huggingface Organization 🕐 已更新 2025-10-27 📅 创建时间 2025-05-02
9
lumina-ai-inc/chunkr

将复杂文档转化为适用于大语言模型的数据的视觉基础设施

lumina-ai-inc
⭐ 4,154 Rust 👤 lumina-ai-inc Organization 🕐 已更新 2026-09-09 📅 创建时间 2024-08-24
10
StarsfieldAI/R1-V

见证 VLM 低于 3 美元的“啊哈”时刻。

StarsfieldAI
⭐ 4,058 Python 👤 StarsfieldAI Organization 🕐 已更新 2025-05-19 📅 创建时间 2025-02-02
11
NVlabs/VILA

VILA 是一个由最先进的视觉语言模型 (VLM) 组成的系列,适用于边缘、数据中心和云端的各种多模态人工智能任务。

NVlabs
⭐ 3,873 Python 👤 NVlabs Organization 🕐 已更新 2026-03-12 📅 创建时间 2024-02-23
12
jonyzhang2023/awesome-embodied-vla-va-vln

一份精心策划的关于具身人工智能(Embodied AI)的前沿研究列表,重点关注视觉-语言-动作 (VLA) 模型、视觉-语言导航 (VLN) 以及相关的多模态学习方法。

jonyzhang2023
⭐ 3,634 👤 jonyzhang2023 User 🕐 已更新 2026-09-15 📅 创建时间 2025-01-16
13
OmniSVG/OmniSVG

[NeurIPS 2025] OmniSVG 是首个端到端的全能型多模态 SVG 生成器系列,它利用预训练的视觉语言模型 (VLM),能够生成从简单图标到复杂动漫角色的复杂而精细的 SVG。

OmniSVG
⭐ 2,666 Python 👤 OmniSVG User 🕐 已更新 2026-03-01 📅 创建时间 2025-04-07
14
facebookresearch/perception_models

最先进的图像和视频 CLIP、多模态大型语言模型等!

facebookresearch
⭐ 2,415 Jupyter Notebook 👤 facebookresearch Organization 🕐 已更新 2026-04-13 📅 创建时间 2025-04-16
16
opendatalab/OmniDocBench

[CVPR 2025] 文档解析与评估的综合基准

opendatalab
⭐ 2,183 Python 👤 opendatalab Organization 🕐 已更新 2026-11-12 📅 创建时间 2024-10-14
17
PKU-YuanGroup/LLaVA-CoT

[ICCV 2025] LLaVA-CoT,一个能够自发、系统进行推理的视觉语言模型

PKU-YuanGroup
⭐ 2,129 Python 👤 PKU-YuanGroup Organization 🕐 已更新 2025-12-12 📅 创建时间 2024-11-17
18
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
19
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
21
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
22
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
23
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
24
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
25
tjmlabs/ColiVara

Colivara 是一套服务,可让您根据视觉嵌入存储、搜索和检索文档。ColiVara 在文本和视觉文档方面均具有最先进的检索性能。使用视觉模型,而不是对文档进行分块和文本处理。无 OCR,无文本提取,无损坏的表格或丢失的图像。

tjmlabs
⭐ 1,485 Python 👤 tjmlabs Organization 🕐 已更新 2026-07-08 📅 创建时间 2024-09-21
27
Sun-Haoyuan23/Awesome-RL-based-Reasoning-MLLMs

本仓库为多模态领域的研究者提供了宝贵的参考,请开始您在基于RL的推理MLLM中的探索之旅!

Sun-Haoyuan23
⭐ 1,449 👤 Sun-Haoyuan23 User 🕐 已更新 2026-09-29 📅 创建时间 2025-02-21
28
rmokady/CLIP_prefix_caption

简单的图像字幕模型

rmokady
⭐ 1,407 Jupyter Notebook 👤 rmokady User 🕐 已更新 2024-06-09 📅 创建时间 2021-09-16
29
SakanaAI/evolutionary-model-merge

模型合并配方进化优化的官方仓库

SakanaAI
⭐ 1,394 Python 👤 SakanaAI Organization 🕐 已更新 2024-11-29 📅 创建时间 2024-03-05
30
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
31
Computer-Vision-in-the-Wild/CVinW_Readings

关于“野外计算机视觉 (CVinW)”主题的论文集

Computer-Vision-in-the-Wild
⭐ 1,349 👤 Computer-Vision-in-the-Wild Organization 🕐 已更新 2024-03-14 📅 创建时间 2022-09-28
32
X-Square-Robot/wall-x

基于具身基础模型的通用机器人构建

X-Square-Robot
⭐ 1,337 Python 👤 X-Square-Robot Organization 🕐 已更新 2026-09-18 📅 创建时间 2025-09-04
⭐ 1,293 Python 👤 Visual-Agent Organization 🕐 已更新 2025-11-20 📅 创建时间 2025-03-15
35
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
37
reacher-z/Awesome-CUA

开放且有来源支撑的计算机使用智能体目录:经审阅的论文、GUI 模型、数据集、基准、工具,以及可复用的 JSONL/SQLite 数据。

reacher-z
⭐ 1,072 Python 👤 reacher-z User 🕐 已更新 2026-11-21 📅 创建时间 2026-10-16
38
nvidia-cosmos/cosmos-reason1

Cosmos-Reason1 模型通过长篇的链式思考推理过程,理解物理世界的常识,并以自然语言生成合适的具身决策。

nvidia-cosmos
⭐ 965 Python 👤 nvidia-cosmos Organization 🕐 已更新 2026-06-07 📅 创建时间 2025-03-02
39
huangwl18/ReKep

ReKep:用于机器人操作的关系关键点约束的时空推理

huangwl18
⭐ 950 Python 👤 huangwl18 User 🕐 已更新 2025-02-20 📅 创建时间 2024-08-29
40
mst272/LLM-Dojo

轻量级 LLM Post-training 框架,支持 SFT、RLVR、On-Policy KD、Guide KD 及混合训练;实现单轮/多轮 Guide 蒸馏、多教师蒸馏、Reward 混合训练与自动化数据分流👩‍🎓👨‍🎓

mst272
⭐ 939 Python 👤 mst272 User 🕐 已更新 2026-03-08 📅 创建时间 2024-01-23
41
Qinying-Liu/Awesome-Open-Vocabulary-Semantic-Segmentation

关于开放词汇语义分割及相关领域(例如零样本语义分割)资源的精选出版物列表。

Qinying-Liu
⭐ 910 👤 Qinying-Liu User 🕐 已更新 2026-05-20 📅 创建时间 2023-09-28
42
TRI-ML/prismatic-vlms

用于训练视觉条件语言模型 (VLM) 的灵活高效的代码库

TRI-ML
⭐ 894 Python 👤 TRI-ML Organization 🕐 已更新 2024-07-04 📅 创建时间 2024-02-13
43
LYL1015/JarvisArt

[NeurIPS' 2025] JarvisArt:通过智能照片修饰代理解放人类艺术创造力

LYL1015
⭐ 880 Python 👤 LYL1015 User 🕐 已更新 2026-04-04 📅 创建时间 2025-06-24
44
beichenzbc/Long-CLIP

[ECCV 2024] "Long-CLIP: 解锁CLIP的长文本能力" 官方代码

beichenzbc
⭐ 879 Python 👤 beichenzbc User 🕐 已更新 2024-08-13 📅 创建时间 2024-03-20
45
InternLM/Intern-S1

一个科学的多模态基础模型

InternLM
⭐ 876 👤 InternLM Organization 🕐 已更新 2026-09-13 📅 创建时间 2025-07-25
46
RiseInRose/MiniGPT-4-ZH

MiniGPT-4 中文部署翻译 完善部署细节

RiseInRose
⭐ 859 Python 👤 RiseInRose User 🕐 已更新 2026-05-09 📅 创建时间 2023-04-19
48
allenai/molmo

Molmo 视觉语言模型代码

allenai
⭐ 851 Python 👤 allenai Organization 🕐 已更新 2024-12-12 📅 创建时间 2024-12-05
49
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
50
showlab/Awesome-Unified-Multimodal-Models

📖 这是一个用于整理与统一多模态模型相关的论文、代码和其他资源的仓库。

showlab
⭐ 834 👤 showlab Organization 🕐 已更新 2025-10-10 📅 创建时间 2024-08-27

常见问题解答

1

GitHub 上最受欢迎的 #vision-language-models 仓库是什么?

GitHub 上排名第一的开源 #vision-language-models 项目是 Vision-CAIR/MiniGPT-4,拥有 25,770 个 Star。MiniGPT-4 和 MiniGPT-v2 的开源代码 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

2

#vision-language-models 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-models 项目中,最常见的编程语言是 Python, Jupyter Notebook, C++, Rust。

3

#vision-language-models 仓库的排名是如何计算的?

我们跟踪了 86 个标记为 #vision-language-models 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 198,329 个 Star,平均每个仓库拥有 2,306 个 Star。排名每日根据 GitHub API 更新。