foundation-models 第 2 页
本站收录 274 个带「foundation-models」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 6 页）
VoxPoserVoxPoser 是一个将大语言模型（LLM）与机器人操作相结合的框架，旨在让机器人仅通过自然语言指令就能完成复杂的物理操作任务。它解决了传统机器人编程需要专业★ 836
Awesome-Robotics-3DAwesome-Robotics-3D 是一个精选资源列表，专注于大模型（LLM/VLM）时代下机器人领域的 3D 视觉研究。它系统整理了相关论文、代码和网站，★ 826
hyena-dnaHyenaDNA 是一个基于 Hyena 架构的超长序列基因组基础模型，由斯坦福大学等机构开发。它解决了传统 Transformer 模型在处理基因组序列时因长★ 810
ModelsGenesisModels Genesis 是医学图像分析领域最早的基础模型之一，由 MICCAI 2019 青年科学家奖和 MEDIA 2020 最佳论文奖背书。它通过自监★ 795
Awesome-Model-Merging-Methods-Theories-Applications这是一个关于模型合并（Model Merging）的精选资源列表，收录了在大语言模型（LLM）、多模态大模型（MLLM）等领域中模型合并的方法、理论、应用与机遇★ 794
tesseraTESSERA 是剑桥大学推出的基础模型，专为处理时间序列卫星影像而设计，可应用于土地分类、植被冠层高度预测等地球观测任务。它解决了传统遥感模型难以高效提取时序★ 764
mathcodeMathCode 是一个前沿的数学编码智能体，旨在将大语言模型与代码执行环境深度结合，以解决复杂数学推理问题。它通过生成代码、执行代码、观察结果并迭代修正，将数★ 747
HoloMotionHoloMotion 是一个面向全身人形机器人控制的基础模型，旨在解决人形机器人全身协调运动控制的难题。它基于大规模人类运动数据训练，能够生成自然、连贯的全身动★ 726
Uni3DUni3D 是北京智源人工智能研究院（BAAI）提出的一个3D视觉基础模型，旨在学习通用的3D物体表征，以支持多种下游3D理解任务。它采用基于点云的Transf★ 688
RETFoundRETFound 是一个面向医学影像的视觉基础模型项目，由伦敦大学学院等机构开发，提供预训练模型权重和微调代码。它基于自监督学习（如 MAE、DINOv2 等）★ 688
Awesome-Reasoning-Foundation-ModelsAwesome-Reasoning-Foundation-Models 是一个精选列表，收录了关于推理基础模型的最新论文和基准测试。该项目旨在为研究人员和开发者★ 660
UniTSUniTS是一个统一的多任务时间序列模型，旨在解决传统时间序列模型只能处理单一任务（如预测、分类或异常检测）的问题。它通过一个统一的网络架构，支持分类、回归、预★ 648
EmerNeRFEmerNeRF 是一个基于 PyTorch 的神经辐射场（NeRF）实现，通过自监督学习将动态场景分解为静态背景、动态物体和不可见区域三个空间-时间分量。它解★ 641
AetherAether 是一个面向具身智能与空间智能的统一世界模型，核心解决视频生成中几何一致性缺失的问题。它通过融合4D重建与生成技术，在生成视频的同时显式建模场景的几★ 613
mattersimMatterSim 是一个基于深度学习的原子级模拟模型，旨在跨越元素、温度和压力范围进行材料性质预测。它解决了传统第一性原理计算（如DFT）成本高昂、难以处理大★ 604
tokenize-anythingTokenize Anything via Prompting 是一个来自 ECCV 2024 的视觉模型，旨在通过统一的提示框架将任意视觉概念（如物体、区域、★ 600
MMMUMMMU 是一个大规模多学科多模态理解与推理基准测试集，旨在评估和推动 AI 模型在专家级通用人工智能（AGI）方向上的能力。它包含来自艺术、工程、科学等六大领★ 598
TokenFormerTokenFormer 是一个在 ICLR 2025 上获得 Spotlight 的 Transformer 架构改进方案，核心思想是将模型参数也视为 toke★ 597
awesome-fm4coawesome-fm4co 是一个精选资源列表，收录了关于组合优化（Combinatorial Optimization）领域的基础模型（Foundation ★ 593
GromaGroma 是一个基于多模态大语言模型（MLLM）的视觉定位模型，核心创新在于“局部视觉标记化”（Localized Visual Tokenization）。★ 587
SwarmSwarm 是一个基于 Swift 语言构建的 AI 代理工作流框架，旨在将 LangGraph 的图式状态机理念带到 Apple 和 Linux 平台。它解决★ 584
liquid-audioLiquid Audio 是 Liquid AI 推出的语音到语音（speech-to-speech）音频模型系列，旨在解决传统语音处理流水线中模块割裂、延迟高★ 577
LLM4TSLLM4TS 是一个专注于时间序列领域的大语言模型与基础模型资源整合项目。它系统性地收集、分类和整理了近年来涌现的各类基于大语言模型（LLM）和基础模型（Fou★ 565
HPTHPT（异构预训练Transformer）是一个将Transformer架构应用于机器人策略学习的开源项目，旨在解决机器人学习中的泛化性和可扩展性问题。它通过预★ 546
scallopScallop 是一个面向神经符号编程（Neurosymbolic Programming）的开源框架与语言，基于 Rust 实现。它旨在弥合深度学习与符号推理★ 519
Awesome-Prompting-on-Vision-Language-Model这是一个关于视觉语言模型提示工程的精选论文列表，源自一篇系统综述论文。它系统梳理了提示工程在视觉语言基础模型上的应用，包括文本提示、视觉提示和综合提示等方向。项★ 511
Project-Imaging-XProject-Imaging-X 是一个系统梳理医学影像开放数据集的资源库，收录了超过1000个公开可获取的医学影像数据集，旨在为医学影像基础模型的开发提供数★ 490
VLABenchVLABench 是一个大规模基准测试平台，专为公平评估视觉-语言-动作模型（VLA）、具身智能体及视觉语言模型（VLM）而设计。它解决了当前具身智能领域缺乏统★ 478
Awesome-Generalist-Robots-via-Foundation-Models这是一个精选论文列表，源自综述论文《Toward General-Purpose Robots via Foundation Models: A Survey ★ 472
Remote-Sensing-RVSARemote-Sensing-RVSA 是遥感领域的基础模型开源项目，对应 TGRS'22 论文《Advancing Plain Vision Transfor★ 469
TPATPA（Tensor ProducT ATTenTion）是一个NeurIPS 2025 Spotlight论文的开源实现，提出了一种新型注意力机制，旨在替代标★ 464
gen-cvgen-cv 是微软推出的视觉 AI 解决方案加速器，旨在帮助开发者快速构建基于生成式计算机视觉的应用。它解决了传统计算机视觉任务（如目标检测、图像分割）依赖大★ 434
SuPreMSuPreM 是一个面向医学影像分析的3D预训练模型库，基于ICLR 2024 oral论文提出。它利用9,262个CT体数据和25个标注类别进行监督预训练，解★ 433
OlympusOlympus 是一个面向计算机视觉任务的通用任务路由器，由 CVPR 2025 Highlight 论文官方开源。它旨在解决多模态大模型（如 LLaVA）在处★ 427
ai-powered-search这是 Manning 出版社 2025 年出版的《AI-Powered Search》一书的配套代码库，同时服务于同名 Maven 课程。项目聚焦现代检索系统，★ 416
hls-foundation-oshls-foundation-os 是一个专注于 Harmonized Landsat and Sentinel-2 (HLS) 卫星影像基础模型 Prithv★ 408
EasyWAMEasyWAM 是一个面向具身智能与机器人领域的统一训练框架，专注于 World Action Model（世界动作模型）的构建。它把世界模型与视觉-语言-动作★ 406
BioReasonBioReason 是一个面向生物领域的多模态大语言模型，核心创新在于将 DNA 序列与文本、图像等多模态信息融合，并引入推理激励机制，让模型在理解 DNA 序★ 405
MindVideoMinD-Video 是一个基于脑电信号（fMRI）的视频重建开源项目，旨在通过解码大脑视觉皮层活动来还原人观看到的视频内容。它利用 Stable Diffus★ 393
HyperSIGMAHyperSIGMA 是发表在 TPAMI'25 上的高光谱智能理解基础模型官方实现。高光谱图像包含数十至数百个连续光谱波段，传统方法难以有效处理其高维性和冗余★ 392
mega-data-factorymega-data-factory 是一个面向大规模基础模型训练的多模态数据流水线框架，专注于解决数据质量与数据规模之间的平衡问题。它提供了一套从数据采集、清洗★ 380
PonderV2PonderV2 是一个面向 3D 视觉基础模型的开源预训练框架，发表于 T-PAMI 2025。它提出一种通用的预训练范式，旨在解决 3D 模型训练数据稀缺、★ 377
CarDreamerCarDreamer 是一个基于世界模型（World Model）的自动驾驶研究平台，构建在 CARLA 模拟器之上。它旨在解决自动驾驶中模型训练成本高、泛化能★ 376
lmms-finetunelmms-finetune 是一个极简的多模态大模型微调代码库，旨在降低 LMM（Large Multimodal Model）微调的门槛。它支持多种主流模型，★ 374
STU-NetSTU-Net 是基于最大公开医学图像分割数据集（超过10万标注）训练的超大规模预训练模型，参数量达14亿，是截至2023年4月最大的医学图像分割模型。它旨在解★ 373
TOTEMTOTEM 是一个面向通用时间序列分析的开源模型，核心思路是将连续的时间序列数据离散化为 token（令牌），从而将时间序列分析任务统一转化为类似自然语言处理的★ 373
Foundation-Models-PlaygroundsFoundation-Models-Playgrounds 是苹果官方推出的开源示例项目，用于演示 Foundation Models Framework 的使★ 373
GiTGiT是一个面向通用视觉任务的Transformer模型，源自ECCV 2024 Oral论文。它通过统一的语言接口，将图像分类、目标检测、图像分割和图像生成等★ 365
deep-delta-learningDeep Delta Learning 是一个开源模型项目，源自 arXiv 论文，旨在通过深度学习方法学习数据或模型之间的“增量”（delta）信息，以提升学★ 364
depth_any_cameraDepth Any Camera 是一个 CVPR 2025 的零样本度量深度估计模型，核心解决任意相机（包括鱼眼、全景、多相机等）的深度估计问题。传统深度估计★ 362