AI · 算法工程
共 1,644 个仓库 · Python
面向开发者的 AI 学习路线图，系统梳理大模型训练、推理、强化学习与 Agent 等核心方向的概念、主流技术和前沿趋势，帮助从理论走到落地。
基于视觉语言模型的无解析 RAG 方案，直接把文档当图片做检索和生成，省去 OCR 和版面解析环节，减少信息损失。
把 Meta 的 Segment Anything 打包成开箱即用的视频目标分割工具，配合 YOLOv5~v8 做检测后分割，省去自己搭环境的麻烦。
用大模型从文本中自动抽取实体与关系，构建带时间维度的知识图谱，适合做 RAG 检索和结构化知识沉淀。
汇总 ICCV 2023–2025 三届顶会的计算机视觉论文，附代码链接，方便快速追踪 3D 重建、人脸识别等方向的最新研究。
把 Scenario 的 AI 生图、视频、3D 与 PBR 材质生成直接搬进 Blender 视口，并内置本地 MCP 服务器供智能体调用。
GLaMM 是首个能把自然语言回答和物体分割掩码无缝结合的多模态大模型，让模型在对话中直接指出并分割出提到的物体。
一种简单又强大的大模型量化技术，通过可学习权重裁剪和等价变换，在保持精度的同时把 LLM 压到低比特，方便部署推理。
汇总音频 AI 领域的论文、开源模型、基准和数据集，覆盖音频大模型、语音识别、TTS、音乐与音频生成，方便按方向查找资料。
HQQ 是一种无需校准数据的大模型量化方法，官方实现支持几行代码把 LLM 压到低比特，省显存还能保持精度。
用自托管 Whisper 配合 WebSocket 做近实时语音转写，Python 后端加 JS 前端，适合自己搭一套低延迟的语音识别服务。
用多查询生成和倒数排名融合（RRF）提升 RAG 检索质量，附带 NFCorpus/BEIR 评测脚本，方便对比不同检索策略的效果。
面向自动驾驶场景的 3D 目标检测开源实现，基于深度学习的点云与图像融合方法，可用于训练和评测车辆、行人等目标的立体检测模型。
一款便携 USB 嗅探硬件，集成 CC1352、SX1262 和 RP2040，用于抓包、通信和攻击 BLE、LoRa、Zigbee 等物联网无线协议。
用 Python 写的透明 RAG 参考实现，把 FAISS 向量检索和 BM25 关键词检索做混合召回再重排，配 Gradio 界面和 FastAPI 接口，方便本地搭文档问答。
无需训练的长篇故事可视化迭代框架，通过多轮迭代生成保持角色与情节一致的故事配图，解决长文本生成图像时前后不一致的问题。
用 Rust 直接实现 Chrome DevTools 协议，为 Python 和 Node 提供与 Playwright 一致的浏览器自动化 API，省去 driver 子进程，启动和调用更轻快。
面向 AI Agent 的 trace 原生 CI/CD：给生产链路打分、聚类失败样本，冻结成可回放的回归测试，并拦截会让效果退化的 PR，支持自托管。
开箱即用的自托管离线转录与说话人分离服务，集成 WhisperX 和本地 LLM 自动生成会议摘要，数据不出内网。
用 Python 做点击流和事件日志分析的工具包，支持用户旅程、行为分群、A/B 测试和马尔可夫链模拟，还能让 AI 代理复现并交叉验证分析结果。
一站式本地 AI 影音工作室，输入一句提示词就能规划完整音乐视频和短片，涵盖视频、图像与音乐生成，基于 WanGP 流水线并通过 Pinokio 安装。
把 PDF 等非结构化文档转成经过校验、可查询的知识图谱，方便做 RAG 和文档关系分析。
FasterViT 是 NVIDIA 提出的高效视觉主干网络，通过分层注意力机制在 ImageNet 分类、COCO 检测和 ADE20K 分割上兼顾精度与推理速度。
给 AI Agent 配一个真实浏览器，关键步骤可人工接管，基于 MCP 协议、可自托管运行。