Eagle

用数据策略打造更强的视觉语言模型，训练效果立竿见影

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 373 🐛 待处理 65 👀 关注 39

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 3824

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源模型，Apache-2.0许可，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队NVlabs

官网地址https://nvlabs.github.io/Eagle

GitHubhttps://github.com/NVlabs/Eagle

定价模式🏷️完全免费

价格说明开源模型，Apache-2.0许可，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型demo,eagle,gpt4,huggingface,large-language-models,llama,llama3,llava,llm,lmm,lvlm,mllm,nvdia

GitHub 星标★ 3824

上线时间2024-06-27 00:00:00

代码更新2026-11-07

仓库体积86.7 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-09

浏览次数7

项目介绍

Eagle 是一个前沿的视觉-语言模型（VLM）项目，强调以数据为中心的策略来提升模型性能。它解决了当前多模态模型在数据利用效率和训练效果上的瓶颈，通过精心设计的数据筛选、配比和训练流程，使模型在视觉问答、图像理解等任务上达到领先水平。项目提供了完整的训练代码、数据策略说明和模型权重，核心能力包括高效的数据处理管线、可复现的训练方案以及在不同规模模型上的稳定表现。其数据为中心的思路区别于传统的架构创新，为社区提供了新的优化方向。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 3824

技术标签

gpt4 huggingface large-language-models llama llama3

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：高级约 30 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（README 标注项目开发语言为 Python）
支持 CUDA 的 NVIDIA GPU，README 提到可在 A100、RTX 4090 等显卡上推理
能访问 HuggingFace 下载模型权重（README 提供 Model Collection 链接）
足够的磁盘空间存放模型权重与数据

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 Eagle 源码，README、各版本报告与代码分别位于 Eagle、Eagle2_5 等子目录。
```
git clone https://github.com/NVlabs/Eagle.git
cd Eagle
```
2确认 GPU 环境

README 提到推理可在 A100、RTX 4090 等非 Hopper/Blackwell 显卡上运行，先确认显卡与驱动可用。
```
nvidia-smi
```
3下载模型权重

打开 HuggingFace 的 nvidia/eagle 模型集合页面，按需要选择对应版本权重下载到本地。
4阅读版本说明

先看 Eagle 2 / Eagle 2.5 报告与对应子目录文档，各版本依赖安装与运行方式各不相同。
5按子目录说明安装

进入所选版本的子目录（如 Eagle2_5、Embodied），依据其自身文档安装依赖并运行脚本。