面向 AI 研究者的开源实验环境，可在本地硬件到 GPU 集群之间无缝训练、评估和扩展大模型与扩散模型。
基于 PyTorch 的「历史引导视频扩散」官方实现，用 Transformer 做视频生成与图生视频，让生成结果在时间上更连贯。
腾讯混元开源的大规模视频生成框架，基于扩散 Transformer 把文本提示直接生成连贯视频，适合做文生视频研究和应用落地。
从零手搓大模型全链路的教学项目，涵盖 Transformer、LLaMA、Qwen、RAG、Agent 和扩散模型，帮学习者拆开白盒子理解每个环节的实现细节。
用 LoRA、Adapter 等少量参数微调大模型和扩散模型，大幅降低显存与训练成本，是 Hugging Face 生态里做参数高效微调的标准库。
基于下一尺度预测的自回归视觉生成模型，用GPT式架构做图像生成并击败扩散模型，代码简洁易用，附带缩放定律研究。
SANA 是英伟达开源的高效扩散生成模型与配套训练推理引擎，支持文生图、文生视频和世界模型，用线性注意力和 NVFP4 量化在低显存下实现快速生成。
一站式 WebUI，基于 Diffusers 和 PyTorch 统一完成 AI 图像与视频生成、打标和后期处理，省去在多个工具间切换的麻烦。
面向全模态模型的高效推理框架，支持图像、视频、音频生成与多模态模型服务，基于 PyTorch 提供统一的推理与部署能力。
LTX-Video 是 Lightricks 开源的视频生成模型，支持文生视频和图生视频，基于 DiT 扩散架构，可快速生成高质量短视频。
把训练好的深度学习模型优化并部署到 Intel CPU、GPU 等硬件上做推理，支持视觉、LLM 和生成式模型，省去自己折腾底层加速的麻烦。
基于 FLUX 扩散 Transformer 的身份保持图像生成工具，上传几张人脸照片就能在换场景、换风格时保持长相一致，适合做个性化写真和照片重绘。
用 PyTorch 复现 MetaAI 的 Transfusion：在同一多模态模型里同时预测下一个 token 和扩散生成图像，把语言建模与图像扩散统一到一个 Transformer 中。
基于扩散模型生成逼真说话人像视频，通过连贯运动合成让口型与头部动作自然同步，适合做数字人播报和虚拟主播。
用 PyTorch 复现 DeepMind AlphaFold 3 的蛋白质结构预测模型，包含注意力机制与去噪扩散模块，方便研究和二次开发。
UNO 是字节跳动开源的通用图像定制方法，基于扩散 Transformer，用同一套框架同时支持单主体和多主体参考图生成，解决多主体一致性难的问题。
面向扩散模型的可扩展、显存优化训练框架，基于 PyTorch 和 Diffusers，让大模型微调在有限显存下也能跑起来。
面向开发者的模型优化框架，能对扩散模型、LLM、语音识别等模型做压缩加速，以极低改造成本换来更快、更省资源的推理。
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。
用一个 Transformer 统一多模态理解与生成，既能看图回答，也能按文字生成图像，省去多模型拼接的麻烦。
从单张图片生成结构化、可分解的 3D 网格模型，把物体拆成多个部件分别建模，方便后续编辑和装配。
用单张 LoRA 做图像编辑，仅需 0.1% 训练数据就能在身份保持上超过 GPT-4o，4GB 显存即可运行。
让视频扩散 Transformer 无需重新训练就能生成远超训练时长的长视频，通过改进位置编码实现长度外推，兼容 CogVideoX、HunyuanVideo 等模型。
面向长时程视频世界模型的开源数据集与可扩展训练方案，支持扩散模型和图像到视频生成，可用于实时交互式游戏引擎等场景。
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。
基于扩散 Transformer 的开源文本生成音乐模型，输入文字描述即可合成音乐片段，适合做 AI 音乐生成的研究与二次开发。
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。
让 HuggingFace 上的 Transformers 和 Diffusers 模型无缝跑在昇腾 MindSpore 上，省去手动迁移适配的麻烦，并支持加速。
面向 AI 秋招的中英双语面试速查表，覆盖机器学习、大模型、扩散模型与智能体，可生成单文件 HTML 随时翻阅，另附学术主页生成器。
把前沿 Transformer 模型接入机器人技术栈的 Python 库，支持多模态与扩散模型，帮具身智能开发者快速搭建可感知、可决策的智能体。
Iris-3B 是一个 3B 参数的扩散 Transformer，直接在像素空间生成图像、无需 VAE；同一预训练先验微调后还能做单目深度估计和 4 倍图像修复。
汇总 CVPR 2026 录用论文及其配套开源代码，方便计算机视觉研究者快速找到带实现的新工作并跟进复现。