多模态生成
共 372 个仓库 · 一年内有推送
用 Rust 写的轻量布局引擎，直接解析 JSX、HTML 和 CSS，把页面渲染成图片、SVG、PDF 或绘制树，不需要无头浏览器，适合生成 OG 图、发票和动态图像。
Skywork-R1V 是昆仑万维开源的多模态视觉语言推理模型系列，基于强化学习训练，擅长图像理解与复杂推理任务。
汇总视觉语言模型在视觉任务上的论文与资源清单，方便研究者快速跟进多模态预训练、迁移学习和知识蒸馏等方向的最新进展。
轻量级图像与视频生成推理框架，支持 Wan、Hunyuan、LTX 等主流视频模型及自回归扩散模型，降低多模态生成模型的部署与推理门槛。
提供 CTPAPI 兼容接口，让 CTP 程序无缝对接 XTP、TORA、EMT、TWS 等各券商柜台，并附带 7x24 可用的期货、期权、股票模拟交易环境，可替代 Simnow。
在普通电脑上跑 MiniMax H3 视频生成，最低 8GB 显存加 16GB 内存就能用，还会根据硬件自动选择加速方案。
面向图像、视频、音频扩散模型的通用微调工具箱，支持 Stable Diffusion、Flux 等模型，帮你在自有数据上快速训练出定制生成模型。
面向 Blackwell 架构 GPU 的高速 LLM 推理引擎，支持 DeepSeek、Kimi、GLM 等模型，主打极致推理吞吐与低延迟。
用 100 行 Python 代码复现各类深度学习论文，涵盖扩散模型、GAN、元学习、逆渲染等，适合通过精简代码快速理解论文核心思想。
用 Python/C 实现的强制对齐工具，能把音频和对应文本自动对齐到词或音素级别，适合做语音数据集标注和字幕时间轴生成。
基于 Kokoro 模型和 ONNX Runtime 的轻量级语音合成方案，用 Python 就能在本地跑出高质量 TTS，省去复杂环境配置。
MOSS-Image 是一个 50 亿参数的 DiT 基础模型，主打高质量文字渲染、布局生成和高效微调，适合需要精准控制文字与版式的文生图场景。
汇集 FLUX、Stable Diffusion、SDXL 等图像生成模型的训练与微调教程，涵盖 LoRA、DreamBooth、ComfyUI 和云端 Notebook 实操指南。
用置信度感知的姿态引导，从单张参考图生成高质量人体动作视频，解决动作视频生成中姿态不准、画面抖动的问题。
输入一个主题就能自动生成 Vox 风格的拼贴解说视频，从脚本、素材到 ffmpeg 合成全流程跑通，适合做科普短视频。
一个多模态语言 Agent 开发框架，把视觉模型和 LLM 编排在一起，帮你快速搭出能看能听的原型并推向生产。
Python 库和命令行工具，调用 Google 翻译的文本转语音接口，把文字快速合成语音并保存为音频文件。
在 Apple Silicon 上用 MLX 原生跑 FLUX、Qwen-Image 等前沿图像与视频生成模型，省去 PyTorch 依赖，让 Mac 本地出图更顺畅。
收录 840+ 条 Seedance 视频生成提示词案例，每条可溯源原始帖，附跨模型复测与可安装 AI 视频技能，帮创作者快速找到能直接用的提示词。
整理模型量化领域的论文、基准、综述和工具，覆盖低比特网络、大模型、多模态生成模型以及向量与格量化，方便做高效推理部署时查资料。
汇总文本到图像生成与合成领域论文、模型和资源的综述清单，方便快速了解 GAN、多模态等方向的研究进展。
GLM-4.6V/4.5V/4.1V-Thinking 系列视觉语言模型，通过可扩展强化学习提升多模态推理能力，支持图像理解、视频理解和图文问答。
开源文本转语音工具，能把超长文本拆成多角色配音，适合做有声书和长内容朗读。
汇总视频扩散模型相关论文与资源的综述清单，覆盖文本生成视频、视频编辑等方向，帮研究者快速摸清领域脉络和代表工作。