ZoomEye

像人一样缩放看图，让多模态模型看清细节

ZoomEye 是一个增强多模态大语言模型（MLLMs）的视觉探索能力的开源项目，核心思路是模仿人类“缩放”观察图像的行为。它通过树状图像探索策略，让模型能够从全局到局部、多层级地审视图像，从而更准确地理解细节和上下文。项目解决了现有MLLMs在细粒度视觉理解上的不足，尤其在需要高精度识别或复杂场景分析的任务中表现突出。其核心能力包括：基于树的图像分区与缩放、多步推理路径生成、以及与现有MLLMs的集成接口。该项目在EMNLP 2025上作为Oral论文发表，提供了完整的训练和推理代码，便于研究者复现和扩展。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 93

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队om-ai-lab

所属国家

官网地址

GitHubhttps://github.com/om-ai-lab/ZoomEye

定价模式free

价格说明开源模型，本地部署，完全免费

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型large-language-models,reasoning-agent,vision-and-language

GitHub 星标★ 93

30天Star增速

HF 下载量

上线时间2024-10-31 00:00:00

最近更新2026-09-14 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

提出树状图像探索机制，显著提升细粒度视觉问答准确率
模拟人类视觉注意力，从全局到局部逐步聚焦，符合认知直觉
提供完整训练与推理代码，并支持与主流MLLMs集成

不足之处

项目处于早期阶段，文档和社区支持待完善
树状探索可能增加推理计算开销，实时性有待优化

适用场景

高精度图像识别与细粒度视觉问答
复杂场景中的目标检测与关系理解
辅助视觉障碍人士的图像内容解读

替代项目

LLaVA、Qwen-VL、CogVLM

项目介绍

ZoomEye 是计算机视觉领域的开源项目，由 om-ai-lab 开发，2024 年首次发布。

它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 93。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-14。本地部署，完全免费。

它主要面向的使用场景是：高精度图像识别与细粒度视觉问答。同类可对比的替代方案包括 LLaVA、Qwen-VL、CogVLM。

上一篇：GraspGPT_public

下一篇：photoprism-vision