AI · 算法工程
共 1,644 个仓库 · Python
抓取系统音频和麦克风，用 Whisper/SenseVoice 做语音识别，再通过 LLM API 流式翻译并实时显示字幕，适合主播、VTuber 和看外语视频时用。
用高分辨率语义编码器把视觉理解与图像生成统一到一个模型里，既能读懂图片，也能做文生图和图像编辑。
统一的世界模型代码库，整合扩散模型、高斯泼溅、3D 场景生成与视频编辑等能力，方便研究和复现各类世界模型。
基于 PyTorch 的通用分割精修网络，通过全局与局部级联细化，把任意已有分割掩码提升到超高分辨率，无需针对特定类别重训。
本地离线运行的便携式 OCR 软件，用 DeepSeek-OCR-2 模型直接在你自己机器上识别图片和 PDF，适合不想把文档传到云端的场景。
一个高效易用的深度学习模型压缩框架，支持剪枝、训练后量化和量化感知训练，能把 PyTorch 模型转换部署到端侧。
基于 Playwright 的 MCP 服务器，让 AI Agent 在反检测隐身 Firefox 上浏览网页，绕过反爬和验证码，适合自动化抓取与求职等场景。
开源的多图编辑扩散模型，支持同时处理多张输入图像进行编辑与生成，适合需要批量或组合式图像编辑的场景。
把本地代码库切块并生成向量索引，通过 MCP 服务让 LLM 和 Neovim 按语义检索相关代码，省去手动翻文件。
OpenCUA 提供构建电脑操作智能体（CUA）的开放基础，包含数据集、基础模型和评测基准，让 GUI 自动化智能体有可复现的训练与评估方案。
自托管的 RSS 阅读器兼个人知识管理工具，内置 MCP Server，可让 AI Agent 直接读取订阅内容并整理知识。
开源大模型微调工具箱，支持 LoRA 等参数高效微调，还能做消融实验和单元测试，方便快速验证 Llama2、Mistral、Falcon 等模型在分类任务上的效果。
把 3D 高斯泼溅烘焙进扩散去噪器，单阶段从单张图快速生成和重建可扩展的 3D 场景与网格，免去多阶段流程。
基于 PaddlePaddle 的端到端中文语音识别项目，提供 DeepSpeech2、Conformer、Squeezeformer 等主流模型，既有入门案例也有企业级实战方案。
基于 Python 的视频分析与计算机视觉框架，内置 NVIDIA DeepStream 和 CUDA 支持，可在边缘设备上快速搭建目标检测、实例分割等推理流水线。
基于扩散模型的身份保持文本到视频生成方案，通过频域分解在生成视频中稳定保持人物面部身份，适合做可控人物视频生成。
超轻量无锚框目标检测算法，权重仅 250K 参数，比 yolo-fastest 快 10%，后处理更简单，适合边缘设备部署。
在浏览器里跑安卓模拟器，为移动 GUI 智能体提供可验证、高并发的评测与在线强化学习训练环境。
Halo 是 White Circle 开源的大模型与多模态模型训练框架，支持分布式训练、LoRA 微调、MoE 和异步强化学习，方便搭建和扩展训练流程。
DIPY 是 Python 的 3D/4D 医学影像处理库，覆盖扩散、灌注与结构成像，提供配准、去噪、机器学习和可视化等通用方法。
面向 Mac 和 NVIDIA DGX Spark 的 AI 电影制作工作室，按剧组流程规划分镜，并用 Qwen-Image、FLUX、MiniMax 等模型生成带声音的画面与视频。
一份轻量规则文件，帮你在 Cursor、Windsurf 等 AI 编码工具里用更少的调用次数完成更多任务，节省每月额度。
Grounding DINO 的第三方复现实现，把 DINO 检测器与图文预训练结合，支持用自然语言描述做开放世界目标检测。
从单张图片或一句文本提示生成大范围可漫游的 3D 场景，先产出高质量全景视频再重建三维空间，适合做可探索虚拟场景。