一个用于构建和运行可重用、类型化 AI 程序的框架，称为“方法”，使用声明式的 .mthds 文件格式来编排复杂的 AI 工作流程。

一系列用於图结构深度学习的 Julia 库，为 Flux 和 Lux 框架提供图卷积层与数据结构。

一个高性能的模型服务框架，使用 Rust 核心和 Python 接口，将机器学习模型转化为高效、可在云端部署的微服务。

Flux 机器学习库的参考实现和演示集合，提供视觉、文本和强化学习模型的起始示例。

为 Claude Code 和 OpenAI Codex 等 AI 编码代理提供操作层，保留仓库状态并协调多步骤工作流。

一个专为 RAG 应用设计的轻量级且高效的 TypeScript 文本分块（chunking）库，提供包括语义、递归和代码感知的分块策略。

一个企业级数据处理平台，旨在简化数据收集、清洗和标注，以支持模型微调和 RAG 检索。

一个面向角色的 CLI，供 React Native 与 Expo 团队使用，通过 AI 代理自动化移动 QA、性能评审与功能实现。

一个 MCP 原生浏览器控制平面，为 AI 智能体提供具有人机回环（human-in-the-loop）接管功能、可重用身份验证配置文件以及内置安全护栏的真实浏览器。

一组 C++ 示例和一个辅助库，用于在原生应用程序中通过 TensorFlow C API 运行机器学习模型。

一个 TypeScript 框架，用于构建 AI 工作流和代理，将提示管理、追踪和评估整合到单一代码库，以避免 SaaS 碎片化。

一款企业级开源 RPA 桌面应用，支持低代码自动化桌面软件和网页，具备与 AI 代理的深度集成。

一个去中心化、保护隐私的机器学习框架，利用区块链进行协同，在不共享原始数据的情况下，实现跨分布式数据源的协作模型训练。

一个 AI 原生的后端和部署层，允许代码代理直接部署数据库、边缘函数和前端，将 AI 生成的代码转化为实时应用。

AI 代理的本地优先安全控制平面，防止密钥泄露，防火墙化工具调用，并维护防篡改审计日志。

一个可进化的多代理框架，能够自动化并扩展数据科学，专注于端到端的单细胞生物学分析。

使用内容寻址存储和混合搜索的本地优先、持久内存系统，用于组织和检索代码与文档。

一个开源的 AI 模型比较工具，提供多个 LLM 提供商的实时价格与功能比较。

一个跨平台推理引擎，可在从手机到网页浏览器的各类设备上本地运行高精度、压缩的 LLM。

用 Zig 编写的快速、本地 GGUF 推理引擎，为消费级 GPU 提供命令行界面、浏览器聊天和 OpenAI 兼容 API。

一个开源的 Python 工具包，用于潜在扩散模型的生成水印，提供嵌入、检测和评估 AI 生成图像与视频水印的工具。

一个 Rust 库，提供统一的 API 与多个 LLM 后端交互，支持多步骤链、代理工作流以及标准化的 REST API。

支持异构资源调度与自动模型服务的 LLM 代理分布式框架，可将代理程序转化为可观测的工作流。

一个用于在 OpenClaw 运行时中评估 AI 代理能力与性能的透明实时基准测试框架，支持决定性评分。

一个用于处理和传输实时视频与音频流的 Streamlit 组件，使 Web 应用能够实现实时媒体处理和 AI 集成。

一套针对 Arm Cortex-A、Neoverse 与 Mali GPU 架构优化的低层机器学习函数库，提供高性能的 ML 推理。

一个用于建模和生成合成数据的基准框架，允许用户比较不同机器学习技术的性能、内存使用和质量。

一个基于 PyTorch 的工具包，用于序列生成模型的事后可解释性，提供多种特征归因方法来解释模型输出。

一款 AI 驱动的工具，用于分析基础设施即代码（IaC）和架构图是否符合 AWS Well-Architected 最佳实践，并提供优先排序的修复建议。

一个用于建模多元分布并使用 copula 函数生成合成数值数据的 Python 库。

一个用于高级语义提示路由和多 LLM 协调的节点式工作流引擎，使用户能够创建复杂且上下文感知的 AI 代理。

一个用于模拟和可视化各种一维和二维随机过程的 Python 库。

一个用于在消费级 GPU 上使用 LoRA 和 QLoRA 微调 LLM 时，估算 VRAM 使用量、基准测试性能并生成训练方案的 CLI 工具。

一个通过创建增强数据集并使用 PEFT 微调模型，提升检索增强生成（RAG）中大型语言模型（LLM）性能的库。

一个用于高性能 LLM 训练与推理的原生 C++/CUDA 工具包，针对 NVIDIA 硬件进行了优化，并支持 NVFP4 等低精度格式。

一个基于配置的 CLI 工具，用于启动和管理 LLM 微调实验，允许用户在不同模型、提示词和优化技术之间进行消融研究。

一个合成数据生成和评估框架，通过真实的工具执行和议题图映射，为智能体 LLM 创建高质量的训练数据集。

一个全面的平台，用于使用符合 OCI 规范的容器镜像托管、部署和微调 LLM，并提供与 OpenAI 兼容的 API。

一个编译器，将传统机器学习模型和机器人 URDF 描述转换为优化的、独立的 C99 二进制文件，以在边缘和嵌入式硬件上实现微秒级延迟推理。

一个 Pythonic 的无服务器接口，允许机器学习开发者直接从本地环境在 Kubernetes 集群上运行并扩展工作负载，启动时间几乎是即时的。

一套用于通过量化和剪枝等技术来优化机器学习模型以进行部署和执行的工具套件。

一个基于 PyTorch 的半监督学习统一基准测试，提供涵盖 CV、NLP 和 Audio 分类任务的 14 种算法和 15 种任务的实现。

一个为 PyTorch 用户提供训练工具和实用程序的库，旨在简化模型训练流程。

一个在 Julia 中运行的通用型概率编程系统，可实现可编程的贝叶斯推断和生成模型的梯度下降式训练。

一个用于存放 schema、BLOB 和预测结果的 AI 数据存储库，提供人工监督与多模态数据标注。

一个使用 TensorFlow 与 TensorFlow Probability 进行快速 GPU 加速推断的 Python 库，用于构建高斯过程模型。

一个深度学习运行时和 REST 服务器，提供统一的 API 用于在图像、文本和表格数据上进行训练和推理。