Python

自托管的终端 AI 编程助手，也是它背后的 Python 框架，基于 Pydantic AI 支持任意模型，提供工具调用、沙箱执行、多智能体协作和无限上下文。

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。

HunyuanVideo-Foley

Tencent-Hunyuan·Python

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。

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。

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。

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。

Diffusion-Planner

ZhengYinan-AIR·Python

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。

dynamiq

dynamiq-ai·Python

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。

StoryToolkitAI

octimot·Python

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。

SLAM-LLM

X-LANCE·Python

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。

swiss_army_llama

Dicklesworthstone·Python

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。

SyncDreamer

liuyuan-pal·Python

从单张图片生成多视角一致图像，用于三维重建的扩散模型，解决单视图生成多视图时视角不一致的问题。

一条命令就能把 Reddit 的帖子、评论和用户数据批量抓取下来，导出成 CSV 或 JSON，方便做数据分析和存档。

基于 YOLO 系列模型和 TensorRT 加速的 FPS 游戏自动瞄准工具，用 GPU 实时检测画面中的目标并驱动准星移动。

统一多模态模型的强化学习训练框架，打通 SGLang、vLLM 推理后端，方便把多模态大模型跑通 RL 训练流程。

videoflow

videoflow·Python

用 Python 快速搭建复杂视频分析应用的多进程框架，把检测、跟踪等环节串成流水线，解决视频流处理中并行调度和模块编排的问题。

pykaldi

pykaldi·Python

把 Kaldi 语音识别工具包封装成 Python 接口，让你能在 Python 里直接调用 Kaldi 的特征提取、声学模型和语言模型，省去写 C++ 胶水代码的麻烦。

Skyfall-GS

jayin92·Python

用卫星影像合成可沉浸漫游的 3D 城市场景，结合 3DGS 与扩散模型补全视角，解决大范围城市三维重建数据不足的问题。

基于 FalkorDB 图数据库构建 GraphRAG 应用的 Python SDK，把知识图谱和向量检索结合起来，让大模型问答更准确、可规模化。

AIHelms

beizhu-1209·Python

企业级 AI 资源纳管平台，用统一网关接入 OpenAI、Claude、DeepSeek 等主流模型，做 Token 调度、成本归因和安全审计，帮企业管住 AI 开销、算清 ROI。

note-bridge-desktop

lingxuanqjc-alt·Python

Windows 上的笔记导出与迁移工具，适配七个平台、支持四种导出格式，还能离线阅读，并明确标注验证范围和失败状态，方便把笔记从旧平台搬走。

把自回归扩散模型蒸馏成少步采样，实现高质量实时交互式视频生成，解决扩散模型推理慢、难以实时出片的问题。

基于预训练流模型实现免反演文本编辑，无需先反演再重建，直接按文字指令修改图像，简化流程并提升编辑效果。

基于 TensorFlow 2 的端到端语音识别框架，支持 Conformer、ContextNet、DeepSpeech2 等模型，可做字符或子词级多语言识别与流式推理。

轻量极速的重排序库，为搜索和 RAG 检索管线提供基于 LLM 与 cross-encoder 的 listwise/pairwise 精排，几乎不增加延迟。

让大模型直接操控 Mac 的最薄封装层，通过辅助功能接口和 CDP 把桌面操作交给 Agent，省去复杂中间层。

终端里的开源编码智能体，能读懂仓库、规划多步改动、写改文件、跑命令和测试，并循环迭代直到任务完成。

CloakBrowser-Manager

CloakHQ·Python

自托管的浏览器多开管理面板，为每个账号创建独立指纹的隔离浏览器环境，可一键启动并配合 Playwright 做自动化，是 Multilogin 的免费替代。

vocalinux

VocaHQ·Python

Linux 上的离线语音听写工具，基于 whisper.cpp、Whisper 和 VOSK 引擎，支持 GPU 加速，在 X11 和 Wayland 下都能把说的话直接输入到任意应用。

whisper-flow

dimastatz·Python

基于 OpenAI Whisper 的实时语音转写框架，接收连续音频流分块并即时输出增量转写结果，不用等整段音频上传完再处理。

DoRA

NVlabs·Python

DoRA 是一种把权重分解为幅度和方向两部分再做低秩适配的微调方法，用更少的可训练参数逼近全量微调效果，适合大模型和视觉语言模型的高效微调。

GamingAgent

lmgame-org·Python

用游戏当测试场来评估 LLM/VLM 智能体的框架，提供可复现的游戏环境和评测流程，方便对比不同模型在交互决策上的表现。

MIT 协议的开源计算机视觉库，支持目标检测、实例分割和姿态估计，兼容 ONNX 与 PyTorch，方便在边缘设备上训练和部署模型。

无需登录或 API Key 就能抓取 X/Twitter 的推文、回复、时间线和长文，给 AI Agent 和自动化流程提供数据来源。