一个结合专业布局与文字排版工具，并支持可选AI图像生成和LLM提示辅助的网页漫画创作工具。

NEO 是一系列原生视觉语言模型，采用无编码器密集架构，统一了像素与文字处理，以实现高效的多模态理解。

一个用于训练和评估全模态嵌入模型的统一框架，该模型可为文本、图像、视频、音频和视觉文档生成固定维度的向量。

一个用于加速 Florence-2、PaliGemma 2 和 Qwen2.5-VL 等多模态视觉语言模型微调的精简工具。

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。

包含419个跨视觉、音频和文本等不同领域的预训练AI模型，全部可通过统一CLI运行，并自动下载权重。

lionagi 是一个用于构建、运行和治理多智能体 LLM 工作流的 Python 库和 CLI。它提供类型化、持久化的对话状态，支持并行扇出和基于 DAG 的流程，集成模型专用 CLI 与 API 提供者，并包含用于可视化运行管理的 Web UI（Lion Studio）

cco 是一个用于 AI 编码代理（如 Claude Code、Codex 等）的沙箱包装器，可在隔离环境中运行它们，以保护您的系统免受提示注入和意外损坏的影响，同时保持无缝的终端体验。

一个浏览器端媒体编辑器，支持视频、音频和 3D 编辑，允许 AI 编码代理在创作过程中直接将新工具和效果构建到工作区中。

由 Microsoft 提供的工具包（VS Code/Visual Studio 扩展和 CLI），用于为 Microsoft 365 Copilot、Teams 和 Office 构建 AI 驱动的代理、聊天机器人及其他扩展。集成了认证助手、Azure Functions 支持、热重载调试和 CI/CD 管道，面向 JavaScript/TypeScript 和 .NET 开发者。

用于跨多个提供方构建图像、视频、音频和 3D 内容复杂 AI 媒体生成流水线的可视化节点工作流编辑器。

Aliyun Model Studio CLI (bailian‑cli) 是 Alibaba Cloud AI 平台的终端工具，提供用于多模态生成（文本、图像、视频、语音）、资产理解、托管代理编排、数据集验证、微调、部署和账户管理的命令。可通过 npm 或单行脚本安装，使用 API 密钥或 OAuth 认证后，执行 `bl …` 命令，或让 AI 代理将自然语言提示翻译为 CLI 调用。

ChatTS 是一种专为多变量时间序列设计的多模态 LLM，能够原生理解并推理时间序列数据，使用户可以对数值数据进行对话式问答。

Shinkansen 是一款真正的 AI 驱动浏览器扩展程序，使用 Google Gemini、Google Translate 或自定义 OpenAI 兼容模型来翻译网页、YouTube 字幕和文档（PDF、Word、EPUB 等）。它保留原始布局和时间戳，提供双语输出，并在本地处理文件以保护隐私。

IgFold是一种从氨基酸序列预测抗体3D结构的深度学习工具，能够为药物发现提供快速准确的结构建模。

FastVLM 是一种高效的视觉编码框架，采用名为 FastViTHD 的混合编码器，可大幅降低高分辨率图像在视觉语言模型中的延迟和 token 数量。

FlexTok 是一种将图像重采样为灵活长度的 1D 令牌序列的系统，允许图像以可截断的序列形式表示，同时仍能实现图像重建。

一系列用于缩小、优化和定制前沿视觉与多模态 AI 模型的配方，以提升效率和性能。

一个实时双向翻译系统，可将手语视频转换为口语文本和音频，也可将口语转换为通过角色或GAN生成的手语。

一款使用 ONNX、MediaPipe 和 MNN 等本地运行时实现完全离线文本聊天和 Stable Diffusion 图像生成的 Android 应用。

一个用于多模态模型推理、评估和后训练的统一框架，通过单一接口支持图像理解、生成和编辑。

TorchANI 2.0 是一个 PyTorch 库，用于训练和使用 ANI 风格的神经网络原子间势能，提供 GPU 加速的能量/力预测以及分子动力学和 ML/MM 模拟工具。

mosaic 是一个基于 JAX 的 Python 库，为数十种蛋白质属性和结构预测模型提供统一、可梯度优化的接口。通过允许用户组合可微分的损失项（结合亲和力、稳定性、溶解性、逆折叠似然等）并使用自定义优化器运行连续松弛设计，它在单一、JIT 加速的框架中实现了多目标蛋白质工程。该仓库包含众多前沿模型（Boltz、AlphaFold、OpenFold‑3、Protenix、ProteinMPNN、ESM 等）、示例笔记本和详细文档，但要求用户调整超参数并安装 GPU/TPU 兼容的 JAX。

Apple 的 SHARP 模型的 ComfyUI 封装器，可在不到一秒内从单张图像实现 3D 高斯点云。

用于微调Qwen-VL系列模型（Qwen2-VL、Qwen2.5-VL、Qwen3-VL、Qwen3.5）的训练工具包，支持SFT、DPO、GRPO和多模态数据。

TongFlow 是一个开源的可视化工作室，允许您通过连接简单的“添加”、“转换”和“合并”节点来构建多模态生成式 AI 流水线。它支持文本、图像、视频、音频、3D 和文档，拥有丰富的插件生态系统（官方 API 插件、路由器和 GPU/CPU 计算插件），可通过轻量级桌面客户端或自托管后端使用。采用 AGPL-3.0 许可证。

一个为视频和照片档案生成纯文本 AI 描述、转录和元数据侧车文件的可查询知识库。

一个结合SAM和生成式修复模型的统一框架，可实现图像、视频和3D场景中的对象移除、填充或替换。

一款 AI 驱动的 e-ink 相框，利用视觉模型对回忆进行评分和标注，每天展示“历史上的今天”中最精彩的照片。

`mcp-devices`（又名 `claude‑in‑mobile`）是一个模块化的 Node/Rust 服务器，允许 Claude 风格的 AI 代理控制 Android、iOS、网页、桌面、Aurora 和 HarmonyOS 设备。安装基础包（`npm i -g mcp-devices`），添加平台插件（如 `@mcp-devices/plugin-android`），启用它们，并将 MCP 兼容客户端指向服务器。该工具提供截图、点击、UI 检查、实时调试和测试等功能，支持 AI 驱动的设备自动化和具身智能体研究。

一个全原子生成式世界模型，用于设计能与特定靶标结合的蛋白质、配体和核酸。

Ovo 是一个 Rust 库，提供可嵌入的多代理运行时内核。它允许宿主应用程序启动轻量级代理（称为“回合”），这些代理运行 Rhai 脚本，并可选择性地使用操作系统级别的沙箱（macOS Seatbelt 或 Linux Landlock）。该库提供了可配置的审批策略、沙箱后端 trait，以及可选的工具包功能以实现受限制的文件系统访问。目前版本为预稳定版（0.9.x），采用 MIT/Apache-2.0 双重许可。

一种全球扩展的CLIP配方，可在不降低英语性能的前提下实现高性能多语言图像-文本对齐

skrub 是一个 Python 库，提供以数据框架为中心的清理、编码和相似性分组工具，全部包装为 scikit-learn 兼容的转换器，以简化表格机器学习管道的预处理阶段。

用于材料识别和跨模态学习的机器人滑动接触的大型同步视频、音频和触觉力数据集。

LiveKit 的 Rust 客户端 SDK，支持跨桌面与移动端的实时视频/音频/数据流串流、房间管理以及硬件加速编码。

一种基于扩散模型的生成式模型，用于创建 200bp 的细胞类型特异性合成调控 DNA 序列。

AnyGPT 是一个开源的多模态大语言模型（文本、语音、图像、音乐），通过离散标记化统一所有模态。它提供基础模型和聊天模型检查点、推理脚本，以及用于训练和零样本多模态任务的 AnyInstruct 数据集。

Kimi K2.5 是一个开源、原生多模态代理模型，采用 1T 参数 MoE 架构，整合视觉与语言理解，实现复杂任务执行。

MCP 2026-07-28 的纯 Bash 实现，为 AI 代理工具调用提供零开销的 stdio 和本地 HTTP 绑定。自动发现 `tool_*` 函数，使用官方模式验证 JSON，包含完整测试套件，并提供构建自定义 Bash 基 MCP 服务器的逐步文档。

一个使用 JSON 基础中间语言 MulmoScript 生成视频、播客和幻灯片等多模态内容的 AI 原生演示平台。

MathVista 是一个用于评估基础模型在视觉上下文中数学推理能力的基准测试，整合了来自 31 个多模态数据集的 6,141 个示例。

he4o 是一个基于 Helix 熵减理论的 AGI 系统，结合预设规则与动态学习，实现具身智能与终身学习。

一个用于自动化天文观测、光变曲线与脉冲星分类，并提供天文学研究专用技能包的AI框架。

面向视觉语言模型的生产级 ComfyUI 节点套件，提供结构化检测、分割和自适应视频推理，并优化 VRAM 使用。

一组用于 ComfyUI 的自定义节点，添加了提示词翻译、AI 驱动内容生成和图像操作工具。

一款利用 OpenAI-Whisper 和 Edge TTS 自动生成带有自然语音旁白的字幕 TikTok 视频的 AI 工具。

Hallo-Live 是一个实时文本驱动的框架，使用因果双流 Diffusion Transformer 为数字化身生成同步的音频和视频。