从 65,724 个高星开源项目里，
找到你要的下一个。

LLaVA 是用 Python 编写的 AI 工具，用于大模型与智能体应用开发。

[NeurIPS'23 Oral] Visual Instruction Tuning (LLaVA) built towards GPT-4V level capabilities and beyond.

[CVPR 2024 Oral] InternVL Family: A Pioneering Open-Source Alternative to GPT-4o. 接近GPT-4o表现的开源多模态对话模型

[CVPR 2024 Oral] InternVL Family: A Pioneering Open-Source Alternative to GPT-4o. 接近GPT-4o表现的开源多模态对话模型

minimind-v 是用 Python 编写的 AI 工具，用于人工智能方向的建模与推理。

👀 Train a 65M-parameter VLM from scratch in just 2h!

The official repo of Qwen-VL (通义千问-VL) chat & pretrained large vision language model proposed by Alibaba Cloud.

The official repo of Qwen-VL (通义千问-VL) chat & pretrained large vision language model proposed by Alibaba Cloud.

mlx-vlm 是用 Python 编写的 AI 工具，用于大模型与智能体应用开发。

MLX-VLM is a package for inference and fine-tuning of Vision Language Models (VLMs) on your Mac using MLX.

align-anything 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。

Align Anything: Training All-modality Model with Feedback

lmms-eval 是用 Python 编写的多媒体工具，用于处理音视频内容。

One-for-All Multimodal Evaluation Toolkit Across Text, Image, Video, and Audio Tasks

DeepSeek-VL 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。

DeepSeek-VL: Towards Real-World Vision-Language Understanding

MiniMax-01 是用 Python 编写的 AI 工具，用于大模型与智能体应用开发。

The official repo of MiniMax-Text-01 and MiniMax-VL-01, large-language-model & vision-language-model based on Linear Attention

MGM 是用 Python 编写的 AI 模型，提供可直接使用的模型与权重。

Official repo for "Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models"

VLM_survey 是一个学习资料，用于系统学习与查阅。

Collection of AWESOME vision-language models for vision tasks

colpali 是用 Python 编写的 AI 工具，用于大模型训练与推理。

The code used to train and run inference with the ColVision models, e.g. ColPali, ColQwen2, and ColSmol.

Qwen-VL-Series-Finetune 是用 Python 编写的 AI 工具，用于大模型训练与推理，主打开源免费。

An open-source implementaion for fine-tuning Qwen-VL series by Alibaba Cloud.

ShowUI 是用 Python 编写的 AI 工具，用于大模型与智能体应用开发，主打开源免费。

[CVPR 2025] Open-source, End-to-end, Vision-Language-Action model for GUI Agent & Computer Use.

Awesome-LLM4AD 是一个资源清单，按主题汇总同类优质资源。

A curated list of awesome LLM/VLM/VLA/World Model for Autonomous Driving(LLM4AD) resources (continually updated)

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.

thepipe 是用 Python 编写的爬虫框架，用于网页抓取与数据采集。

Get clean data from tricky documents, powered by vision-language models ⚡

describe-anything 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。

[ICCV 2025] Implementation for Describe Anything: Detailed Localized Image and Video Captioning

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

prismer 是用 Python 编写的学习资料，用于系统学习与查阅。

The implementation of "Prismer: A Vision-Language Model with Multi-Task Experts".

LLaVA-OneVision-2 是用 Python 编写的 AI 工具，用于大模型与智能体应用开发。

Fully Open Framework for Democratized Multimodal Training

vlms-zero-to-hero 是用 Jupyter Notebook 编写的 AI 工具，用于人工智能方向的建模与推理。

This series will take you on a journey from the fundamentals of NLP and Computer Vision to the cutting edge of Vision-Language Models.

doc7 是用 Go 编写的 AI 工具，用于大模型训练与推理。

Turn documents into AI-ready Markdown with visual understanding