伸びている AI プロジェクト

視覚-言語理解と行動予測を橋渡しすることで、ロボットが複雑な物理的操作を実行できるようにするオープンソースのフレームワーク。

kraken は、歴史的および非ラテン文字用に設計されたオープンソースでPythonベースのOCRツールキットです。トレーナブルなレイアウト解析、読み順検出、ニューラルネットワークによる文字認識を提供し、右から左、双方向、縦書きの文字列に対応します。標準XMLフォーマット（ALTO、PageXML、hOCR）を出力し、単語レベルのバウンディングボックスを提供。パブリックモデルリポジトリを備え、LinuxまたはmacOSでpip/pipx経由でインストール可能。`kraken get …` でモデルを取得し、1行のコマンドで画像の2値化、セグメンテーション、OCRを実行できます。

AppleのFoundation Modelsフレームワークの統一されたドロップイン代替を提供するSwiftパッケージで、複数のオンデバイスおよびクラウドLLMプロバイダーのサポートを可能にします。

AIの概念や論文からプロフェッショナルな10ページのビジュアルカルーセルを作成するためのツールセット。自動レイアウトレンダリングと厳格な事実確認機能を備えています。

OSTT は、Linux/macOS 向けのオープンソースでターミナルネイティブな音声テキスト変換 CLI です。グローバルホットキーで録音し、ローカルの Whisper モデルまたは多くのクラウドプロバイダーで文字起こしし、クリップボード、ファイル、標準出力、またはカスタムシェルコマンドに出力します。GPU アクセラレーション、モデルごとのパラメータ、履歴/再試行、スクリプト可能な後処理アクションをサポートしています。

AIエージェントの管理とデプロイのためのオープンソースでベンダーニュートラルなプラットフォーム。Kubernetesのようなエージェントオーケストレーションのコントロールプレーンとして機能します。

OpenGL/ES を使用した高パフォーマンスでクロスプラットフォーム対応の C++ ライブラリ。画像および動画のビューティフィルタを実装。

EvoAgentXは、マルチエージェントAIワークフローの作成、評価、最適化を自動化するオープンソースフレームワークであり、フィードバックループを通じてエージェントが学習し進化することを可能にします。

リアルタイムデータのインジェスト、インクリメンタル処理、AIエージェント向けの低遅延配信を1つのシステムで実現するイベントストリーミングプラットフォーム。

悪意のあるコマンド、同形異義語URL、およびデータ流出を実行前にインターセプトしてブロックするターミナルセキュリティゲートウェイ。

ClaudeBar は、多数の AI コーディングサービスの残り使用クォータを監視・表示する macOS メニューバーアプリで、視覚的なアラート、通知、カスタムスクリプトによる拡張性を提供します。

NVSentinel は、Kubernetes 向けの自動 GPU 障害検出および修復システムであり、ハードウェアの健全性を監視し、ノードの隔離、ドレイン、修復を実行して、信頼性の高い AI インフラストラクチャを確保します。

Codexプラグインで、Microsoft PowerPoint、WPS Presentation、またはdraw.ioで参照画像を自動的に再描画し、編集可能な図に変換します。

Google Gemini が生成した画像に埋め込まれた不可視の SynthID 水印を、スペクトル解析と多段階の敵対的パイプラインを用いて検出・除去するリバースエンジニアリング・プロジェクトです。

AI を活用してトピック選定、執筆、画像生成、ドラフト作成を自動化する WeChat 公式アカウント向けのコンテンツ発見・公開システム

Docling用のAPIサービスラッパー。AI駆動のドキュメント変換機能を、安定したAPIとUIプレイグラウンドを備えたスタンドアロンのWebサービスとしてデプロイ可能にします。

Node Banana は、キャンバス上でノードを接続して AI メディア生成パイプライン（画像、動画、音声、3D）を構築できるオープンソースのビジュアルワークフローエディタです。複数の AI プロバイダー、動的プロンプト、チャットからワークフローを構築できる組み込みエージェントをサポートしています。

Claude CodeやCursorなどのコーディングエージェントと統合し、リードジェネレーション、SEO、競合調査などのビジネス成長タスクを自動化する200以上の専門的なAIワークフローライブラリ。

ライブインタラクティブな可視化、テキスト専用モデル向けのビジョン機能、自動システムメンテナンスを追加するOpen WebUI用のプラグインのコレクション。

Browser Controlは、AIエージェントやCLIユーザーが自身のChromiumブラウザ（ログイン済みセッションや拡張機能を含む）内でPlaywrightコードを実行できるようにするオープンソースのNode.jsドライバーです。ローカルリレーとブラウザ拡張機能を通じて動作し、永続セッション、検査ヘルパー、人間による介入、ビデオ/HAR記録、および秘密情報を保護するAPI呼び出しのためのTypeScript Effectクライアントをサポートしています。信頼できるローカル環境での使用のみを目的としています。

agentchattr は、AI コーディングエージェント（Claude、Codex、Gemini など）と人間がチャンネルと @メンションによるウェイクアップを備えた共有チャットルームで調整できるローカルチャットサーバーです。エージェントはハンズフリーで応答・協力でき、ターミナル間のコピーペーストは不要です。

CuPyは、NumPyおよびSciPyのGPU加速代替ライブラリであり、NVIDIAおよびAMDハードウェア上で高速な数値計算を可能にします。

共有のSQLトラッカーを使用して、永続性と人間の監視を備えた並行ビジネスタスクを実行するAIエージェントのコロニーのためのオープンソースランタイム。

DoWhyはエンドツーエンド因果推論のためのPythonライブラリです。因果グラフを定義し、自動的に因果効果を特定し、さまざまな統計手法で推定し、反証テストで堅牢性を検証できます。このライブラリは根本原因分析、反事実、介入サンプリングのためのグラフィカル因果モデルもサポートしています。`pip install dowhy`でインストールし、4ステップワークフロー（モデル → 識別 → 推定 → 反証）に従ってください。

Databendは、分析、ベクトル検索、全文検索を統合し、SQLを介してAIエージェントをオーケストレーションするためのサンドボックス環境を備えたオープンソースのクラウドネイティブデータウェアハウスです。

EconML は、機械学習と計量経済学を組み合わせて、観察データから異質な処置効果を推定するためのPythonパッケージです。自動因果推論を実現します。

ローカルおよびサーバー環境向けに設計された高性能LLM推論エンジン。混合デバイス実行（GPU/CPU/ディスク）や投機的デコードなどの高度な最適化技術をサポートします。

Text GrabはWindows専用のデスクトップアプリで、スクリーンショット、PDF、UI要素など、画面に表示されるすべてのテキストをローカルOCR（WinAI、WinRT OCR、Tesseract）でキャプチャし、内蔵のクリーニング機能、スプレッドシート編集、正規表現ベースの抽出、再利用可能なキャプチャテンプレート、バッチフォルダ処理、Chrome/Edge拡張機能を提供します。すべての処理はデバイス内に留まり、Copilot+ PCではNPU加速推論もオプション。Microsoft Store、GitHubリリース、パッケージマネージャーからインストール可能。Visual Studioまたは.NET SDKでソースからビルド可能。

Kungfuは、チャット外でLLMエージェントのタスク（Work）を記録するオープンソースCLI/TUIです。エージェント間のスムーズな引き継ぎ、クラッシュからの復旧、監査可能なログを可能にします。任意のCodex/Claude/OpenCodeスタイルのエージェントと連携でき、デモ用のモックエージェントも提供。Apache-2.0ライセンスでAlpha版としてリリースされています。

関数空間間のマッピングを解像度不変に学習できる、フーリエニューラルオペレータなどのニューラルオペレータを学習するための PyTorch ライブラリ。

大規模言語モデルのインストラクションチューニングおよびポストトレーニングのための研究用フレームワーク。SFT、DPO、RLVRの標準化されたレシピを提供します。

AIモデルのトレーニングおよびファインチューニング用に高品質なデータセットを作成するための、合成データとAIフィードバックを合成するフレームワーク。

DataTrove は、非常に大規模なテキストデータの処理、フィルタリング、重複排除を行うための Python ライブラリです。モジュール式のパイプラインブロックとプラットフォームに依存しない実行環境（ローカル、Slurm、Ray）を提供し、LLM トレーニングコーパスなどのデータセットを効率的に準備します。

YomiToku は、日本語に特化した OCR、レイアウト解析、テーブル意味解析のための Python ライブラリです。4 つのカスタム学習モデルを提供し、GPU または CPU（ライトモード）で動作し、複数のエクスポート形式をサポートし、バッチ処理、テーブル抽出、スキーマベースのデータ抽出（ルールベースまたは LLM ベース）のための CLI および API ツールを提供します。CC BY-NC-SA 4.0 の下で非商用利用は無料です。商用ライセンスも利用可能です。

ExllamaV3バックエンドを使用したFastAPIベースのLLM用APIサーバーで、ローカルモデル推論のためのOpenAI互換インターフェースを提供します。

自然言語を通じて、カレンダー、ヘルスケアデータ、およびデバイスのタスクをプライベートに管理するために、LLMをデバイス上で実行するiOS向けのローカルAIエージェントフレームワーク。

MCP Scanner は、Model Context Protocol（MCP）サーバー、そのツール、プロンプト、リソース、および関連コードをスキャンして悪意のある動作を検出する Python 製セキュリティツールです。Cisco AI Defense API、YARA ルール、LLM ベースの分析を組み合わせ、CLI と REST API モードをサポートし、脆弱性スキャン、VirusTotal チェック、Python および npm パッケージのサプライチェーン分析を統合し、広範な設定とレポートオプションを提供します。

OmniLottie は、事前学習済みのビジョン‑ラングエッジモデルを使用して、テキスト、画像、または動画入力から複雑なベクター Lottie アニメーションを生成するマルチモーダル AI ジェネレーターです。

Ultralytics YOLOv3 は、YOLOv3 オブジェクト検出モデルの PyTorch 実装で、3つのバリアント（フル、SPP、タイニー）を提供し、学習、推論、検証、多数のデプロイフォーマットへのエクスポート用スクリプトを備えています。自動的に COCO 事前学習済み重みをダウンロードでき、PyTorch Hub からの読み込みもサポート。人気のある ML-ops ツールやクラウドノートブックとも連携可能。AGPL‑3.0 ライセンスで、商用エンタープライズオプションも提供。

pandas、Polars、DaskのAPIをミラーリングするGPU高速化データフレームライブラリで、AI/MLワークフロー向けの高速な表形式データのクリーニングと集計を実現します。

AIアシスタントがローカルなZotero参照ライブラリを検索・読込・管理できるMCPベースの統合により、学術研究の質が向上します。

短期的な動きと長期的なシーン変化を推論できる、空間時間的メトリック・意味的SLAMシステム。ロボットが動的な環境をマッピングするのを可能にします。

ソフトウェアリポジトリをエージェント対応ワークスペースに変換するツール。構造化されたプロトコルとナビゲーションツールを提供し、AIコーディングエージェントが権威あるプロジェクトコンテキストに従えるようにします。

Xiaohongshu（小紅書）運用のためのモジュール式AIワークフロー（Codexスキル）のコレクション。クリエイターがプロフィール、コンテンツ計画、コンバージョン経路を体系的に最適化するのを支援します。

XやRedditなどのプラットフォーム上で、特定のシナリオに対する社会的・市場的反応をシミュレートするための、現実に基づいたAI人物像を生成するマルチエージェントシミュレーションプラットフォームです。

OpenAI互換APIと複数のハードウェアアクセラレーション・バックエンドをサポートし、ローカルでのLLM推論を可能にするllama.cppのPythonバインディング。

Pi ターミナル AI エディタ用の拡張機能。カスタマイズ可能なステータスバー、永続的な bash モード、プロンプトキュー管理、および強化されたワークフローショートカットを追加します。

顔認識、物体検出、セマンティック検索のためにローカル機械学習モデルを使用する、セルフホスト型のオープンソース写真管理プラットフォーム。