一款用于视频在地化处理的 Windows 应用程序，利用 Faster-Whisper 等 AI 模型与各种 TTS 引擎来实现自动化的逐字稿制作、翻译与配音。

一个用于构建跨平台移动AI应用的全栈框架，内置对实时LLM流式传输和图像生成的支持。

基于 Meshy AI 的自主 AI 助手，可自动化节点网络创建、VEX/Python 编码和 3D 资产生成，专为 SideFX Houdini 设计。

Model Context Protocol (MCP) 服务器的参考实现，让基于 LLM 的工具能与 Oracle Cloud 服务交互。提供多语言（Python, Node.js, Java）服务器、stdio 或 HTTP 传输方式，并支持容器化以及适用于 Cline、Cursor 和 mcphost 的客户端配置片段。

MOVA 是一个开源模型，可从文本提示（可选参考图像）生成同步的视频+音频。它采用双塔视频音频架构，提供 360p/720p 检查点、推理脚本、LoRA 微调流水线、评估代码，以及与 SGLang、ComfyUI 和托管 API 的集成。

RS‑SDK 是一个开源、基于 TypeScript 的启动套件，用于模拟 RuneScape 风格 MMO 以进行机器人研究。它集成了服务器模拟器、网页客户端、网关和类型安全 SDK，使你能够编写异步脚本（或 LLM 生成代码）来控制机器人，实验目标导向合成、多智能体竞争和市场经济学。演示服务器开箱即用；你也可以通过可调 tickrate 在本地托管。MIT 许可证，并由 Discord 社区支持。

一个 Minecraft Fabric 模组，使用扩散模型生成高度多样且逼真的地形和景观。

OmniLottie 是一个多模态 AI 生成器，使用预训练的视觉‑语言模型，从文字、图像或视频输入生成复杂的向量 Lottie 动画。

一个 ComfyUI 自定义节点，通过 DiT 块的残差缓存机制，将 MiniMax H3 模型推理速度提升高达 45%。

一个 AI 驱动的管道，通过多阶段设计和验证流程，将文本描述转换为游戏就绪的动画 3D 生物（GLB 格式）。

一款用于日本复古游戏的离线屏幕翻译器，利用 OCR 和本地 LLM 通过浮动覆盖层提供实时英文字幕。

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。

使用 GGML 的独立 C++ 实现，无需在运行时使用 Python，即可从图像生成带纹理的 3D 模型。

微软提供的一套全面的基础模型和架构集合，专注于在文本、视觉、语音和多模态任务上实现大规模自监督预训练。

一个将视频、音频和屏幕活动转化为带时间戳证据的感知与验证引擎，具备确定性验证系统和专用代理工作区。

一个支持多种 LLM、TTS 引擎和 2D/3D 头像的全功能工具包，用于创建可交互的 AI 角色（AITuber）

一个 ComfyUI 扩展，集成 Qwen-VL 视觉语言模型用于图像和视频理解，具备双 HF 和 GGUF 后端及 GPU 优化推理功能。

一款本地优先的电影分析工具，可提取帧和字幕，生成 AI 支持的叙事结构树、剧情泳道和情绪曲线。

一个为 AI 代理提供专业化生命科学技能的工具包，使其能够利用 NVIDIA 的模型和库执行蛋白质折叠、分子对接和基因组分析等任务。

SpikingJelly 是一个基于 PyTorch 的开源库，用于构建、训练和部署脉冲神经网络。它提供神经元模块、ANN 到 SNN 的转换、多后端加速（torch、CuPy、Triton）、大规模训练工具、类脑数据集加载器、性能分析工具，以及类脑硬件的导出接口。需要 Python ≥ 3.11 和 PyTorch ≥ 2.6，采用 Open-Intelligence Open Source License 发布。

VLM³ 是一个框架，仅通过文本输出和数据缩放，即可使标准视觉语言模型执行深度估计和相机位姿估计等 3D 视觉任务。

一个将 TRELLIS.2 与 ComfyUI 集成的 Blender 插件，可从文本或图像生成 3D 网格，并为现有模型应用 AI 驱动的贴图。

一个面向企业文档智能的 API-first 平台，利用 Vision LLMs 和代理工作流将发票、收据和对账单转换为结构化的 JSON。

一个使用 SAM 3 和多模态大语言模型将图表和流程图的静态图像转换为可编辑 DrawIO XML 文件的工具。

一个统一医疗文本、2D 图像和 3D 体积的医疗多模态大语言模型家族，实现高级医疗理解与生成。

一套开源 AI 工具，用于生物多样性监测，提供相机陷阱影像、生物声学、航空视角和声纳的动物检测模型。

xLSTM 是一种新颖的循环神经网络架构，通过引入指数门控和矩阵记忆，扩展了 LSTM，使其能够支持大规模语言模型（例如，一个 70 亿参数的模型）。该仓库提供 PyTorch 代码、通过 `mlstm_kernels` 包提供的自定义 CUDA/Triton 内核、单文件 70 亿参数实现、配置工具以及 Hugging Face 上的预训练权重。安装通过 conda + pip 完成，该库可在 NVIDIA GPU（使用快速 Triton 内核）上运行，并为 AMD 或 Apple Silicon 提供回退方案。

Maestro‑Flow 是一个 TypeScript/Node.js 框架，可将自然语言意图转化为由多个 LLM 智能体（Claude、Gemini、Codex 等）执行的全栈开发流水线。其 Ralph 引擎将意图分类为 40 多种命令链，在“决策”检查点动态判断是否继续、回滚或插入修复循环，并将发现的模式自动存储在 SQLite 知识图谱中，后续运行中自动注入。支持四种协调模式（Delegate、Team、Wave、Swarm），通过 Odyssey 命令实现长时间自主循环，并具备精确的字面量/语义代码搜索能力。安装方式为 `npm i -g maestro-flow`，并提供丰富的 CLI 和 Web 仪表板文档。

FigMirror 是一个代理式工具，可自动将用户数据以指定参考科学图的风格生成 Matplotlib 代码。

一个针对跨模态检索与零样本图像分类训练的中文版 CLIP 模型，使用了 2 亿对图像-文本对。

AnySearch MCP Server 是一个实时、MCP 兼容的后端，提供通用网络搜索、垂直领域搜索、并行批量搜索和 URL 内容提取功能。它可通过简单的 JSON 配置与 OpenCode、Claude Code、Cursor、VS Code、Windsurf、Cline 等主流 AI 助手 IDE 集成，支持可选的 API 密钥认证以提升速率限制，也支持匿名使用。README 详细说明了注册流程、密钥管理、客户端特定配置片段，以及四个工具端点（`search`、`get_sub_domains`、`batch_search`、`extract`）的使用方法。

一个基于画布的媒体工作台，将 AI 生成与专业级编辑工具集成，适用于图像、视频、音频、音乐和 3D 资产。

LLM Vision 是一个 Home Assistant 集成，使用多模态大语言模型（OpenAI, Anthropic, Gemini, Ollama 等）来分析图像、视频片段、实时摄像头画面和 Frigate 事件。它会返回自然语言描述、记住已识别的人/宠物/物体，并将每次分析结果存储在时间轴中，可以在仪表板上显示或通过 Assist 进行查询。可以通过 HACS 安装，配置 LLM 提供者，并可选择添加提供的 Blueprint 以获得 AI 摘要的摄像头摄像头通知。

HelixWorld 是一个实时交互式视听世界模型，它生成可导航的环境，其中声音和视觉会根据用户移动同步更新。

一个用于时尚科技的开源 AI 工具包，为虚拟试穿、图像/视频生成和多模态理解提供统一的接口。

AI Team OS 是一个开源平台，可将类Claude的LLM转变为持续运行的“CEO”。它持续运行，协调专业代理、任务墙、研究管道和双层记忆系统。FastAPI + React仪表板实时展示工作流、决策轨迹和所有备忘录的统一搜索。适合希望实现AI优先、自主运行工作流的技术创始人或研究团队。

VLM-R1 是一个使用 GRPO 训练 R1 风格大型视觉语言模型的框架，旨在提升在视觉定位、数学与目标检测等任务中的推理与泛化能力。

Merlin是一个用于计算机断层扫描的3D视觉语言基础模型和数据集，将CT扫描与电子健康记录和放射学报告相结合，用于医学分析。

一系列适用于iOS、Android和HarmonyOS的设备端演示应用，允许MiniCPM-V系列多模态和文本模型通过llama.cpp完全本地运行。

一款利用 Gemini Live 实时感知视觉与听觉，并通过 OpenClaw 集成执行操作的实时 AI 助手。

一个模块化的代码库，用于构建和训练小规模大型多模态模型，支持多种 LLM、视觉塔和连接器。

一个通过任务感知视觉工具和无缝代理集成，为仅支持文本的 LLM 代理赋予图像问答和 GUI 自动化能力的工具包。

simple‑one‑api 是一个开源的 Go 网关，它通过 OpenAI 兼容的端点统一了多个 LLM 提供商，并增加了容量感知的密钥调度、四层速率限制、内置的 React 聊天 UI、可视化配置控制台以及 Wails 桌面客户端。它可以作为单个二进制文件、Docker 容器或桌面应用运行，并将配置存储在 SQLite 中。

一个利用 LLM 和图像识别技术，通过屏幕截图和输入模拟来自动化《Infinity Nikki》游戏中的日常任务、导航和活动的 AI 代理。

torch_musa 是一个 PyTorch 扩展，为 Moore Threads GPU 添加了 **MUSA** 后端。它镜像了标准 PyTorch API，因此您只需将 `cuda` 替换为 `musa`。该包包含构建 C/C++ 扩展的工具、通过 **mccl** 后端进行分布式训练的功能，以及用于快速设置的 Docker 镜像。它还提供 torchvision、torchaudio 以及一系列其他热门 PyTorch 库的 MUSA 兼容构建版本。可通过预构建的 wheel 安装，或在安装 MUSA SDK 后从源码构建。该项目采用 BSD 许可证。

一个仅限本地的无限画布工作区，采用基于图的方法，通过 Google Flow 将一致的角色和产品组合成图像和视频。

通过将文本 LLM 包装在低延迟语音转文本和文本转语音模型中，使文本型 LLM 能够实现听和说的系统。

GrokSearch‑rs 是一个基于 Rust 的 MCP 服务器，为 LLM 代理添加实时、带引用的网络搜索工具。它可以通过 stdio 在本地运行，也可以作为多租户 HTTP 服务暴露。服务器查询可配置的提供商链（Tavily、Exa、TinyFish、Firecrawl），并包含针对 GitHub、StackExchange、arXiv 和 Wikipedia 的无密钥专用提取器。功能包括响应预算、缓存、对 Grok 的 OAuth 支持以及健康检查 `doctor` 工具。通过 npm（预构建二进制文件）或 Docker 安装，使用环境变量或全局 TOML 文件配置，并通过 MCP 协议与 Claude 风格助手集成。