AI · 算法工程
共 1,644 个仓库 · Python
把散落的 SKILL.md 文件整理成可检索、可评测的智能体技能语料库，自带检索与评测工具，方便给 Agent 搭建技能库。
统一序列并行注意力实现，把 Ulysses 和 Ring Attention 混合成 2D 并行，让长上下文 Transformer 训练和推理能扩展到超长序列。
ICCV 2021 提出的神经渲染方法，能从多视角图像高效重建几何与神经辐射场，用于新视角合成。
Python 实现的多目标跟踪算法集合，集成 IoU Tracker 等多种跟踪器，配合 OpenCV 和 SSD-MobileNet 等检测模型，快速搭建视频目标跟踪流程。
收录计算机使用智能体（CUA）的开放资源清单，整理经过审阅的论文、GUI 模型、数据集、基准测试和工具，并提供可直接复用的 JSONL/SQLite 数据。
把 XGBoost、LightGBM、scikit-learn、CatBoost 和 ONNX 模型一键编译成原生 C99 推理代码，省去 Python 运行时开销，推理速度最高提升 336 倍。
Yume 是一个交互式世界模型，支持文本或图像驱动实时视频生成，可用于构建可交互的虚拟场景。
用 Whisper 把音频转成文字，再调用 GPT、Claude 等大模型翻译润色，直接输出 LRC 字幕文件，省去手动打轴和翻译的麻烦。
OmniVinci 是英伟达开源的全模态大模型，能同时理解视觉、音频和语言三种输入，适合做多模态联合推理与训练研究。
开源自托管的 AI 视频生成器，在网页界面里输入文字就能生成带旁白、字幕和数字主播的多场景视频，完全免费。
用「思维模板」库增强大模型推理：把可复用的推理思路存成元缓冲区，遇到新问题时检索并套用，提升复杂任务准确率并降低成本。
Shell and coding agent on mcp clients
腾讯混元开源的 2K 高分辨率文生图扩散模型，能根据文字直接生成高清图像，兼顾生成效率与画质。
用 pyannote 做说话人分离、Whisper 做语音识别，把会议录音转成带说话人标记的文字，再交给 ChatGPT 生成会议纪要。
用 RANSAC 从点云中拟合平面、球、圆柱、长方体、圆和直线等 3D 基元，适合 LiDAR 与三维重建场景做形状检测和分割。
模块化 RAG 框架，能自由替换 LLM、嵌入模型和向量库，还支持 MCP 接入外部工具与数据源，省去重复搭建检索增强流程的功夫。
面向 LLM 和扩散 Transformer 的无损压缩方案，在 GPU 推理时压缩模型权重、降低显存占用，同时保持输出完全一致。
给无声视频自动配上生动且与画面同步的音效，基于扩散模型实现视频到音频的拟音合成。
开源的扩散式语言模型，专攻代码生成，一并放出预训练、评测、推理代码和模型权重，方便直接复现和二次开发。
用生成模型提升多视角 3D 物体重建精度，从多张图片还原准确的三维形状与位姿，适合做图像到 3D 的研究与落地。
给 LLM 维护的知识库定治理规范，并提供参考工具链，让 AI 代理改文档时有确定性校验和人工审核，避免知识库越改越乱。
基于 llama.cpp 的 LLM 智能体框架，支持对话、结构化函数调用和结构化输出，即使模型未针对 JSON 或函数调用微调也能用。
面向 LLM 与 Agent 场景的开源强化学习训练库，集成 GRPO、PPO、熵方法等算法，支持编码、GUI、多智能体等任务。
NOVA 是一种无需向量量化的自回归视频生成方法，用扩散式连续表示替代离散 token，绕开 VQ 编解码器直接生成视频。