探索全部
共 2,037 个仓库 · Python
NVIDIA 开源的扩散模型加速生成方案，用一致性模型、分布匹配蒸馏和流映射等蒸馏技术，把扩散模型的多步采样压缩到极少步数，显著提升出图速度。
汇总文本到图像扩散模型可控生成方向的论文、代码与工具资源，覆盖空间控制、多概念组合和个性化生成，方便快速查找与调研。
把电子表格变成 AI 流水线：在单元格里串联提示词和模型，实时对比 LLM 输出，多人协作迭代 AI 应用。
LangSplat 是 CVPR2024 高亮论文的官方实现，把语言特征嵌入 3D 高斯泼溅，实现可开放词汇查询的 3D 场景重建与语义检索。
腾讯混元开源的多模态扩散模型，根据视频画面和文本描述生成高保真拟音音效，解决视频配音中脚步声、环境声等 Foley 音效制作费时费力的问题。
把量化神经网络编译成 FPGA 上的数据流推理加速器，省去手写 RTL 的麻烦，适合做低延迟边缘部署。
基于 Qwen3-TTS 的多角色有声书生成器，用 LLM 标注脚本、克隆音色并逐句控制风格，可导出 MP3、分章 M4B 或 Audacity 多轨工程。
用多相机图像预测自动驾驶场景的三维占据栅格，输出带语义的稠密体素重建，解决纯视觉感知中遮挡与几何结构难以还原的问题。
微软 AI for Good 实验室开源的生物多样性监测工具集，提供相机陷阱动物检测、声学识别等模型与边缘设备方案，帮生态保护者用 AI 自动处理野外影像和音频数据。
AI 驱动的测试自动化平台，能把需求自动转成可执行测试用例并统一管理，帮测试团队提升用例编写效率和覆盖率。
基于 PyTorch 原生分布式训练的 LLM/VLM 训练库，开箱即用兼容 Hugging Face，方便微调 Llama、Gemma、GLM 等主流大模型。
基于扩散模型的自动驾驶规划器，用扩散生成做轨迹规划，支持灵活引导，是 ICLR 2025 Oral 论文的官方实现。
把文本生成 CAD 模型拆成多个智能体协作完成，通过约束式测试时计算提升生成质量，适合机械设计与 3D 打印场景。
面向智能体和 LLM 应用的编排框架，把 RAG、工具调用和多步推理流程串起来，方便搭建和运维生成式 AI 应用。
用 AI 给视频素材做转录、内容理解和全文检索的剪辑辅助工具，可接入 ChatGPT 等模型，并与 DaVinci Resolve 集成。
把语音、音频、音乐接进大语言模型做多模态处理的开源框架，支持参数高效微调，方便快速搭建语音理解与生成任务。
收录 660+ 个生成式媒体模型和第三方 API 工具的目录，每个条目一个 YAML 文件，按能力分类浏览，方便给 AI Agent 快速找接口。
基于 yt-dlp 的自托管媒体下载管理器，提供并发下载、自动化接口和媒体库整理，适合批量抓取 YouTube 等站点视频。
给 Claude Code 加持久记忆：用 Obsidian 和 Graphify 建代码库知识图谱，把每轮对话 token 消耗最多降 71.5 倍。
把在线策略自蒸馏引入扩散模型后训练，用强化学习思路提升文生图和图像编辑的生成质量，省去额外奖励模型。
PyTorch 量化后端，接入 Optimum 生态，支持多种量化方案，帮你在推理和训练中压缩模型、降低显存占用。
基于 FastAPI 的语义文本搜索服务，用预计算嵌入和高级相似度算法快速检索，并通过 textract 支持多种文件格式。
用图生文生方式生成带 PBR 材质的高质量 3D 资产，基于 Primitive Diffusion 把 3D 生成拆成可扩展的图元扩散过程。
基于 Python 的桌面语音助手，把语音识别和语音合成串起来，让你用说话的方式执行系统级命令、异步处理交互。