一种从氨基酸序列中采样蛋白质单体结构平衡分布的生成模型，具备确保物理合理性的引导系统。

SenseNova-Vision 是一个统一的多模态模型，它将多样化的计算机视觉任务视为生成问题，使单一模型能够通过文本和图像输出来执行检测、分割和几何预测。

一个用于扩散模型的加速框架，将预训练模型转换为深度压缩的潜在空间，在不损失质量的情况下实现高达 53.8 倍的推理加速。

适用于 Windows 的本地多模态桌面助手，能够感知屏幕和系统音频，提供实时游戏陪伴、课程笔记和上下文 AI 交互。

NeoVerse 是一个 4D 世界模型，能从单目视频中重建 3D 场景，从而实现沿着新颖的相机轨迹进行高质量的视频生成。

CoVT 是一个使视觉语言模型能够使用连续视觉令牌进行推理的框架，通过将语义思考扎根于感知线索，提升其空间推理能力和几何意识。

将视频流转换为带有注释的 3D 空间智能数据集（包括 3D Gaussian Splatting 几何形状和空间 QA 对）的数据策划流水线。

一个使用代理强化学习的多轮多模态 RAG 框架，使 VLM 能在文本、图像和视频之间进行推理和信息检索。

基于Raspberry Pi构建的口袋尺寸AI聊天机器人，支持语音对语音交互、图像生成和本地AI加速。

一个端到端的视频配音流水线，自动化完成转录、翻译、语音克隆和音频合成，整合为单一工作流。

一个多模态 AI 模型系列，支持语音和文本模态，可在近 100 种语言中实现高质量、具有表现力的实时翻译。

一款 AI 驱动的电影剪辑助手，可对视频素材进行转录、索引和搜索，允许剪辑师使用 LLM 自动创建用于导出到剪辑软件的故事片段。

一个大规模的多学科基准测试，用于在 30 个不同学科上评估大学水平的专业知识和复杂推理能力的多种模态 AI 模型。

bioSkills 是一个包含即用型代码模板（“技能”）的库，可教会LLM编码代理如何执行生物信息学分析——从序列输入输出到单细胞分析、变异检测、结构生物学、化学信息学及工作流管理。可通过 Claude Code、Codex、Gemini/Antigravity、OpenCode 和 OpenClaw 的轻量脚本安装，提供最佳实践命令行标志、示例脚本和使用指南，提升AI生成的生物信息学代码的准确性。

一个为 OpenAI Codex 设计的全面工作流技能，可从创意脚本到最终 MP4 渲染，自动化生成纸拼贴风格广告。

一个使用 LangGraph 协调从故事创意到最终视频合成的多代理流水线的 AI 漫画视频生成项目

一个开源的开源视频翻译工具，能将视频转录、翻译并以听起来自然的 AI 语音进行配音，支持 33 种语言。

一个使用 LiveKit Agents 框架构建语音、视频和电话AI代理的可运行Python示例和全栈应用的集合。

一款集成了 ChatGPT、本地 VITS 语音合成和 Live2D 动画的 Android 应用程序，旨在创建一个沉浸式的、基于角色的 AI 伴侣。

位置智能平台（\psi）是 Microsoft 开源的 .NET 框架，用于构建实时多模态 AI 应用——机器人、混合现实助手、智能空间系统——通过提供高性能流式传输基础设施、可视化工具（PsiStudio）以及传感器/AI 组件库。它可在 Windows 和 Linux 上运行，通过 MIT 许可的 NuGet 包分发，并包含教程、示例和活跃的社区。

使用 Gemini 2.5 Flash 的自主 AI 机器人，可在无人干预的情况下每日编写、生成并上传教育类 YouTube 视频和 Shorts。

一个开源流程，通过将原始 talking-head 录制转换为精美的视频，并利用 AI 生成的视觉、音频清理和自动上传，实现 YouTube 视频编辑的自动化。

一个基于节点的可视化编辑器，通过自动化 LLM 提示词与 ComfyUI 图像及视频生成之间的工作流程，来简化 AI 电影制作。

一个为 DeepSeek Harness 设计的视觉工具包，使纯文本模型具备执行 UI 恢复、长截图 OCR 和 GUI 自动化等任务的视觉能力。

一组开源的Three.js体验，展示使用Mint资产管道构建的交互式3D展厅、游戏和数据可视化。

NVIDIA 提供的 PyTorch 库，为 3D 深度学习提供 GPU 优化模块，包括可微分渲染、物理模拟以及对 3D 高斯点的支持。

一个统一的本地Web界面，用于访问数百个LLM和多模态AI模型，支持文本、图像、视频和音乐生成。

一个用于探索 Google Cloud 生成式媒体模型的 Web 应用程序，提供图像、视频、音乐和语音生成以及创意工作流的统一界面。

pytorch_memlab 是一个 Python 库，可逐行分析 CUDA 内存使用情况，列出活跃张量，并能临时将 GPU 数据移至 CPU。它通过 `%mlrun` 魔法命令与 IPython/Jupyter 集成，帮助调试 PyTorch 模型中的内存不足错误。

pnnx 是一个开源工具，可优化 PyTorch 模型并将其导出为轻量、无依赖的格式（PNNX）以及 ncnn/ONNX-zero 文件，使边缘设备上的快速推理成为可能。

Opentu 是一个基于画布的 AI 应用平台，将多模型生成和工具管理整合到一个工作区中，实现持续的 AI 任务执行。

支持文本、视觉和音频能力的 MiniCPM 系列多模态模型的部署与微调完整配方手册，适用于多种硬件平台。

Codex Orchestration 是一个 Codex 插件，允许您将其他 LLM（Claude Fable 5、Opus 5、OpenRouter 模型等）附加到任务中，并为它们分配特定角色——规划者、顾问、设计师、执行者。Codex 保持顶层协调者身份，迭代计划、审查计划、可选地设计 UX 成果物，最终执行代码。插件通过 Codex 市场安装，通过 Codex 聊天中的技能提示配置，支持角色特定的工作量级别。旨在提升计划质量、实现并行工作、减少高级模型使用。MIT 许可证。

WGAI 是一个基于 Spring-Boot + Vue 的 Web 平台，将视觉（OpenCV、YOLO、OCR、人脸识别）、音频（语音转文字、ChatGPT 风格对话）、数字人虚拟形象和 AGV 导航整合为一个离线优先、工业级的 AI 管理系统。提供在线数据标注、模型训练、实时视频/音频分析和系统监控功能，配备配置界面和公共演示实例。代码采用 AGPL-3.0 许可证，支持主要通过付费中文社区提供。

这是一个为腾讯 Hunyuan3D-2.1 模型开发的 ComfyUI 封装器，可以在可视化节点工作流中生成带有纹理的 3D 模型。

一系列增强多模态推理能力的视觉语言模型（VLM），支持原生函数调用、视觉定位和复杂文档理解。

一组提供文本和视觉语言理解方面最先进性能的大规模多模态 MoE 模型和开发工具包。

一套多模态大型语言模型和数据集，旨在提升视频理解中的空间推理和“空间超感知”。

AIMET 是 Qualcomm 开发的用于量化和压缩 PyTorch/ONNX 模型的开源工具包，能够在以极小的精度损失实现边缘设备上的快速、低内存推理。

一个开源流水线，使用 Stable Diffusion、gTTS 和 SadTalker 来为社交媒体创建并动画化一致的虚拟 AI 网红。

一个展示集成RTC、ASR、LLM和TTS的交互式AIGC流水线的演示项目，支持实时语音AI交互。

一个在本地硬件上运行的私有、低延迟语音助手，使用语音识别、LLM 和语音生成模型的堆栈。

Sympozium 是一个开源、Kubernetes 原生的平台，用于协调多智能体 AI 系统。它提供基于 CRD 的策略、共享 SQLite 内存、sidecar 隔离技能和可视化工作流画布，让团队在保持内置治理和可观测性的同时大规模编排智能体。

Gamma-World 是一个生成式多智能体世界模型，可模拟多个独立可控智能体共享的环境，支持 24 FPS 的实时交互式视频生成。

一个用于从文本或图像生成高质量视频和图像的扩散模型家族，提供 Pro 与 Lite 版本，具备强大的英语和俄语支持。

一个多模型 AI 框架，能够从音频频谱图生成完整功能的 osu! 谱面，并提供 AI 驱动的模组工具来检测谱面不一致性。

SoniTranslate 是一个用于将视频翻译成不同语言并同步音频的网页应用，将转录、翻译和语音配音整合在一个界面中。

面向地球观测的任意输入输出生成基础模型，支持多模态空间数据生成与环境监测。