Awesome-Multimodal-Large-Language-Models 是一个学习资料,用于系统学习与查阅。
:sparkles::sparkles:Latest Advances on Multimodal Large Language Models
microsoft
Visual Studio Code 编辑器源码,微软开源的跨平台代码编辑器。目前累计 19.4 万 star、4.5 万 fork,在本地项目库中星标排名约第 36 / 65707,主要语言为 TypeScript,项目始于 2015 年,采用 MIT 许可。最近状态:本周仍有提交。
适合谁:推荐给写代码与文档的人:涉及 editor、electron、microsoft、typescript 方向。
按累计星标排序,库内共 65,707 个项目(GitHub 上星标 ≥ 1k 的公开仓库约 65,980 个)。
优先使用本地记录的星标快照计算近 7 天真实增量;快照不足 7 天时,按「创建以来日均获星」估算,数值旁会标注口径。
已收录 GitHub 星标过千的公开项目,附原始简介、语言、主题与活跃度。用一句自然语言描述需求,即可获得 AI 推荐。
Awesome-Multimodal-Large-Language-Models 是一个学习资料,用于系统学习与查阅。
:sparkles::sparkles:Latest Advances on Multimodal Large Language Models
MobileAgent 是用 Python 编写的移动端方案,用于移动应用开发,主打功能完整。
Mobile-Agent: The Powerful GUI Agent Family
star-vector 是用 Python 编写的 AI 工具,用于大模型与智能体应用开发。
StarVector is a foundation model for SVG generation that transforms vectorization into a code generation task. Using a vision-language modeling arch…
LLaMA-Omni 是用 Python 编写的 AI 工具,用于大模型训练与推理。
LLaMA-Omni is a low-latency and high-quality end-to-end speech interaction model built upon Llama-3.1-8B-Instruct, aiming to achieve speech capabili…
VITA 是用 Python 编写的多媒体工具,用于处理音视频内容,主打实时。
✨✨[NeurIPS 2025] VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction
mPLUG-DocOwl 是用 Python 编写的可视化工具,用于图表与数据展示。
mPLUG-DocOwl: Modularized Multimodal Large Language Model for Document Understanding
cambrian 是用 Python 编写的学习资料,用于系统学习与查阅。
Cambrian-1 is a family of multimodal LLMs with a vision-centric design.
RPG-DiffusionMaster 是用 Jupyter Notebook 编写的 AI 工具,用于大模型训练与推理。
[ICML 2024] Mastering Text-to-Image Diffusion: Recaptioning, Planning, and Generating with Multimodal LLMs (RPG)
Seed1.5-VL 是用 Jupyter Notebook 编写的 AI 模型,提供可直接使用的模型与权重。
Seed1.5-VL, a vision-language foundation model designed to advance general-purpose multimodal understanding and reasoning, achieving state-of-the-ar…
Ovis 是用 Python 编写的学习资料,用于系统学习与查阅。
A novel Multimodal Large Language Model (MLLM) architecture, designed to structurally align visual and textual embeddings.
Awesome-Unified-Multimodal-Models 是一个资源清单,按主题汇总同类优质资源。
Awesome Unified Multimodal Models
实时交互数字人,可自定义形象与音色,支持音色克隆,对话延迟低至3s。Real-time voice interactive digital human, customizable appearance and voice, suppor…
实时交互数字人,可自定义形象与音色,支持音色克隆,对话延迟低至3s。Real-time voice interactive digital human, customizable appearance and voice, supporting voice cloning, with initi…
audio-flamingo 是一个多媒体工具,用于处理音视频内容。
PyTorch implementation of Audio Flamingo: Series of Advanced Audio Understanding Language Models
SLAM-LLM 是用 Python 编写的多媒体工具,用于处理音视频内容。
A Framework for Speech, Language, Audio, Music Processing with Large Language Model
Bunny 是用 Python 编写的开源项目,主题标签有限,建议打开仓库查看具体用途,主打轻量。
A family of lightweight multimodal models.
Awesome-MCoT 是用 TeX 编写的 AI 工具,用于大模型与智能体应用开发,主打功能完整。
Multimodal Chain-of-Thought Reasoning: A Comprehensive Survey
项目列表来自 GitHub 官方 Search API(stars:>1000)。单个查询最多只能返回前 1000 条,所以「同步热门」取到的是星标最高的 1000 个;要拿全量必须按星标区间拆成多个查询——本站会先查各区间的真实数量再自动切分(1k–2k 约 3.2 万个,2k–5k 约 2.1 万个,5k–20k 约 1 万个,2 万以上约 2300 个)。GitHub 上星标过千的公开仓库当前约 65,980 个,本站已收录 65,707 个。星标、简介、语言与主题均为 GitHub 原始字段,未做人工逐一核验。
中文介绍分三种来源,卡片与详情页均有标注:热门项目使用本站人工维护的条目;其余项目由程序依据语言、主题、简介中的特征词与项目数据自动生成;仓库原简介本身是中文时直接引用原文。自动生成的介绍只是对公开字段的归纳,不代表项目方表述,也不构成选型结论。
每日推荐按北京时间每天从星标 6000 以上、近 18 个月仍有提交且未归档的项目中选取,排除近 120 天已推荐过的项目,同一天内结果固定。推荐结果由规则引擎(或配置的大模型)生成,不构成选型结论。
每天每台设备可免费检索 3 次,浏览、筛选和关键词查找不消耗额度。选择下方任一方案即可继续(当前为模拟支付)。
模拟支付不会接入真实渠道,也不会产生任何扣款。