探索全部
共 1,808 个仓库 · 一年内有推送 · Python
一个能自我进化的照片编辑智能体，通过编辑器和评估器协同优化，让多模态大模型学会像修图师一样自动调色和修图。
让视觉语言模型在推理时生成连续视觉 token 作为中间思考步骤，提升看图与推理表现，附带 ECCV 2026 论文官方实现。
ScanNet++ 是一个高保真 3D 室内场景数据集，提供配套工具，支撑三维重建、语义与实例分割、新视角合成等研究。
为 Hugging Face diffusers 提供注意力图提取与可视化工具，方便查看 Stable Diffusion 文生图时文本如何影响图像区域。
MagicBrush 是 NeurIPS'23 发布的人工标注指令引导图像编辑数据集，为训练和评测文本指令驱动的图像编辑模型提供高质量数据。
用多个大模型做行情分析、Python 确定性代码做风控、对接 OKX 执行的自主加密货币量化交易系统，让 LLM 决策有硬性风控兜底。
统一训练、微调和评测世界动作模型（WAM）的框架，面向具身智能与机器人研究，支持 LoRA 微调并内置基准测试。
面向 AI Agent 开发团队的协作平台，支持测试、模拟和追踪 Agent 运行，让领域专家标注行为、工程师据此迭代改进。
把视频流转化为整体 3D 空间智能的 ICML 2026 Oral 工作，配套基准用于评测视觉语言模型的空间理解能力。
VideoPrism 是 DeepMind 开源的视频理解基础视觉编码器，用自监督学习预训练，可直接抽取视频特征，支撑分类、检索、问答等下游任务。
带标签、评分和 LLM 摘要的自托管 RSS 新闻阅读器，帮你从海量订阅里筛出真正值得读的内容。
自托管的 AI 代码审查工具，能对 PR 做索引化审查、生成变更讲解、扫描漏洞、绘制依赖图，还支持自定义规则和从反馈中持续学习。
基于 Python 的 Git 工作流工具，一次提交即可生成多个相互关联的 PR，并支持补丁版本追踪和 rebase 检测，让代码评审更高效。
用 torchao 和 diffusers 优化扩散模型的端到端教程，覆盖推理加速和 FP8 训练，帮你在 Flux 等文生图模型上省显存、提速度。
一份 DevOps/SRE 工程师从零基础到架构师的完整学习路线图，覆盖 Linux、Docker、K8s、CI/CD、Prometheus 与云原生，中英双语并汇集 500+ 学习资源。
LViT 把文本描述引入视觉 Transformer，做医学图像分割，用语言信息弥补标注数据不足，提升分割精度。
把 SAM 的分割能力扩展到任意分割任务的多模态大模型，支持文本指令驱动的通用图像分割。
给 AI Agent 加一层行为管控，拦截它自作主张的操作，支持人工介入和审计留痕，防止越权执行你没要求的动作。
从动态相机拍摄的视频中恢复人体网格，能处理遮挡和全局轨迹，适合做人体动作捕捉与三维重建研究。
把 LLM 应用从原型推进到生产环境的框架，集成了 LangChain、MLflow、OpenAI 和 Vertex AI，方便管理提示词与模型部署。
把 Stable Diffusion 等扩散模型用 BentoML 打包成可部署的推理服务，支持 LoRA 微调权重和 Kubernetes 部署，省去自己搭服务框架的麻烦。
RISE 用组合式世界模型让机器人策略自我进化，通过生成模型与价值学习提升操作任务表现，适合研究机器人学习与 VLA 的团队。
用 SfM 引导的单目深度估计做多视角三维重建，把稀疏重建的相机位姿和单目深度先验结合起来，提升复杂场景下的重建精度。
给 AI 编程助手加一层本地长期记忆，自动捕获对话并自动召回，全部存在单个 SQLite 文件里，不依赖云端，兼容 Claude Code、Cursor 等 CLI 工具。