vision-language-model 第 2 页
本站收录 80 个带「vision-language-model」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 2 页）
GenAI4ADGenAI4AD 是一个系统梳理生成式人工智能（GenAI）在自动驾驶全栈中应用的开源项目。它并非一个可直接运行的模型，而是一份深度综述与知识图谱，覆盖从感知、★ 233
AttackVLMAttackVLM 是一个针对视觉语言模型（VLM）的红队攻击工具集，源自 NeurIPS 2023 论文。它提供了一系列对抗性攻击方法，用于评估和揭示 VLM★ 231
InCTRLInCTRL 是 CVPR 2024 论文的官方实现，提出了一种基于上下文残差学习的通用异常检测方法。它解决的是传统异常检测模型泛化能力差、需要针对每个新场景重★ 202
ICLR2026-Guide-CN这是一个针对ICLR 2026会议论文的中文导读项目。它解决了非英语母语研究者难以快速消化大量英文论文摘要和核心内容的问题。项目通过人工与LLM结合的方式，对I★ 181
Awesome-VLGFMAwesome-VLGFM 是一个关于视觉-语言地理基础模型（Vision-Language Geo-Foundation Models）的综述性资源列表，旨在★ 181
OneJevOneJev 是一个多模态 System One 决策模型，目标是用一次前向传播，对屏幕、照片、视频和文本等输入给出带校准置信度的类型化答案。它解决的是 GUI★ 177
locate-anythinglocate-anything 是一个为 NVIDIA LocateAnything-3B 模型打造的轻量级 Web 界面，通过一条 docker compos★ 164
Spatial-SSRLSpatial-SSRL 是一个面向视觉语言模型（VLM）的自我监督强化学习框架，旨在提升模型的空间理解能力。它通过引入强化学习机制，让模型在无需人工标注的情况★ 141
GroundingPIGroundingPI 是一个面向物理智能（具身智能）的 4B 参数 grounding 基础模型，核心目标是把视觉语言模型中的“定位”能力统一到一个模型里。它★ 141
litepaliLitePali 是一个轻量高效的 ColPali 实现，专注于图像检索与索引，专为云端部署优化。它解决了传统视觉语言模型在图像检索任务中计算开销大、部署复杂的★ 132
VSAVSA（Vision Search Assistant）是一个将视觉语言模型（VLM）转变为多模态搜索引擎的开源项目。它解决的是传统文本搜索无法理解图像内容、以★ 129
wechat-mac-rpawechat-mac-rpa 是一个面向 macOS 微信客户端的视觉 RPA 自动化框架，核心思路是用多模态视觉感知代替传统控件抓取，再叠加 LLM Agen★ 122
Modality-Integration-RateModality-Integration-Rate 是 ICCV 2025 论文的官方代码，提出了一种名为“模态整合率”（Modality Integratio★ 114
UniMedVLUniMedVL 是一个面向医疗领域的统一视觉语言模型，旨在同时处理医学图像的理解与生成任务。它通过“观察-知识-分析”框架，将多模态理解（如图像分类、报告生成★ 111
LabVLALabVLA是一个面向科学实验室场景的视觉-语言-动作（VLA）模型开源项目。它旨在解决机器人在科研实验室中执行复杂操作任务时，缺乏对专业仪器、试剂和流程理解的★ 106
VideoGLaMMVideoGLaMM 是一个面向视频像素级视觉定位的大型多模态模型，由南洋理工大学等机构在 CVPR 2025 发表。它解决的是视频中细粒度对象理解与定位问题，★ 106
Awesome-AVIAwesome-AVI 是一个关于音频-视觉智能（Audio-Visual Intelligence）的精选资源列表，旨在系统梳理该领域的前沿研究、工具和数据集★ 92
foundational_fsod这是一个少样本目标检测（FSOD）的开源实现，对应论文《Revisiting Few Shot Object Detection with Vision-Lan★ 92
VLGuardVLGuard是一个针对视觉大语言模型（VLLMs）的安全微调基线项目，发表于ICML 2024。它解决的是VLLMs在视觉输入下容易生成不安全内容的问题，例如★ 91
buabua 是一个基于 Go 的 AI 浏览器自动化框架，允许开发者用自然语言描述任务，由 AI 智能体自动完成点击、填写、导航等浏览器操作。它解决了传统浏览器自动★ 85
VLM-CADFeatureRecognitionVLM-CADFeatureRecognition 是一个利用视觉语言模型（VLM）自动识别 CAD 设计中制造特征的开源项目。它解决了传统制造特征识别方法依赖★ 82
LangCoopLangCoop 是一个面向自动驾驶场景的协作智能体框架，其核心是利用自然语言实现车辆间的协同驾驶。它解决了传统自动驾驶中车辆仅依赖传感器数据、缺乏高层语义交互★ 81
awesome-llm4tr这是一个关于大语言模型（LLM）在交通系统中应用的开源项目，包含综述、框架和路线图。它系统梳理了LLM在交通领域的角色，如交通预测、路径规划、自动驾驶、交通管理★ 78
WinCLIPWinCLIP 是 CVPR 2023 论文《WinCLIP: Zero-/few-shot anomaly classification and segmen★ 75
RET-CLIPRET-CLIP 是一个视网膜图像基础模型，利用临床诊断报告进行预训练。它解决了视网膜图像分析中标签稀缺和模型泛化能力不足的问题，通过将图像与对应的临床文本报告★ 73
llmedgellmedge 是一个面向 Android 的原生 AI 推理库，旨在将大语言模型、图像生成、图像识别、视频处理、语音识别（STT）和语音合成（TTS）等能力集★ 71
Exp-CLIPExp-CLIP 是一个面向零样本面部表情识别（FER）的开源模型，发表于 WACV 2025 Oral。它针对传统 CLIP 模型在表情识别任务上表现不佳的问★ 63
NegPromptNegPrompt 是 CVPR 2024 论文的官方实现，专注于解决深度学习模型在开放世界中的分布外（OOD）检测问题。它通过为每个类别学习一组可迁移的负提示★ 62
openscenesense-ollamaOpenSceneSense Ollama 是一个基于 Python 的本地视频分析库，它利用 Ollama 运行的开源 AI 模型，对视频进行帧级和音频级的智★ 55
Re-AlignRe-Align 是一个针对视觉语言模型（VLM）幻觉问题的对齐框架，发表于 EMNLP 2025。它通过引入图像检索机制，在模型生成文本时检索相关图像作为额外★ 52