一款用於影片在地化處理的 Windows 應用程式，利用 Faster-Whisper 等 AI 模型與各種 TTS 引擎來自動化逐字稿製作、翻譯與配音。

一個用於建構跨平台行動AI應用的全端框架，內建支援即時LLM串流與影像生成。

基於 Meshy AI 的自主 AI 助手，可自動化節點網路建立、VEX/Python 編碼與 3D 資產生成，專為 SideFX Houdini 所設計。

Model Context Protocol (MCP) 伺服器的參考實作，讓基於 LLM 的工具能與 Oracle Cloud 服務互動。提供多語言（Python, Node.js, Java）伺服器、stdio 或 HTTP 傳輸方式，並支援容器化以及適用於 Cline、Cursor 和 mcphost 的客戶端設定片段。

MOVA 是一個開源模型，可從文字提示（可選參考影像）生成同步的視頻＋音訊。它採用雙塔視頻音訊架構，提供 360p/720p 檢查點、推理腳本、LoRA 微調流程、評估程式碼，以及與 SGLang、ComfyUI 和託管 API 的整合。

RS‑SDK 是一個開源、基於 TypeScript 的起始套件，模擬 RuneScape 風格 MMO 以進行機器人研究。它整合了伺服器模擬器、網頁客戶端、閘道與類型安全 SDK，讓你可撰寫非同步腳本（或 LLM 生成程式碼）來控制機器人，實驗目標導向合成、多代理競爭與市場經濟。示範伺服器開箱即用；你也可透過可調 tickrate 在本機主機執行。MIT 授權，並由 Discord 社群支援。

一個 Minecraft Fabric 模組，使用擴散模型生成高度多樣且逼真的地形與景觀。

OmniLottie 是一個多模態 AI 生成器，使用預訓練的視覺‑語言模型，從文字、圖像或影片輸入產生複雜的向量 Lottie 動畫。

一個 ComfyUI 自訂節點，透過 DiT 區塊的殘差快取機制，將 MiniMax H3 模型推論速度提升高達 45%。

一個 AI 驅動的管道，透過多階段設計與驗證流程，將文字描述轉換為遊戲就緒的動畫 3D 生物（GLB 格式）。

一款用於日本復古遊戲的離線螢幕翻譯器，利用 OCR 和本地 LLM 透過浮動覆蓋層提供即時英文字幕。

一系列用於縮小、優化和客製化前沿視覺與多模態 AI 模型的食譜，以提升效率與效能。

使用 GGML 的獨立 C++ 實作，可在不使用 Python 的情況下，從圖像生成帶紋理的 3D 模型。

微軟提供的一套全面的基礎模型與架構集合，專注於在文字、視覺、語音與多模態任務上實現大規模自監督預訓練。

一個將影片、音訊與螢幕活動轉化為時間戳證據的感知與驗證引擎，具備決定性驗證系統與專用代理工作區。

一個支援多種 LLM、TTS 引擎與 2D/3D 偵像的全方位工具包，用於建立可互動的 AI 角色（AITuber）

一個 ComfyUI 擴充功能，整合 Qwen-VL 視覺語言模型用於圖像和影片理解，具備雙 HF 和 GGUF 後端及 GPU 最佳化推理功能。

一款本地優先的電影分析工具，可提取畫面與字幕，生成 AI 支援的敘事結構樹、劇情泳道與情緒曲線。

一個為 AI 代理提供專業化生命科學技能的工具包，使其能利用 NVIDIA 的模型與程式庫執行蛋白質摺疊、分子對接與基因組分析等任務。

SpikingJelly 是一個基於 PyTorch 的開源庫，用於建構、訓練與部署脈衝神經網路。它提供神經元模組、ANN 到 SNN 的轉換、多後端加速（torch、CuPy、Triton）、大規模訓練工具、類腦資料集載入器、效能分析工具，以及類腦硬體的匯出介面。需要 Python ≥ 3.11 與 PyTorch ≥ 2.6，採用 Open-Intelligence Open Source License 發布。

VLM³ 是一個框架，僅透過文字輸出與資料縮放，即可使標準視覺語言模型執行深度估計與相機位姿估計等 3D 視覺任務。

一個整合 TRELLIS.2 與 ComfyUI 的 Blender 增強模組，可從文字或圖像生成 3D 網格，並為現有模型應用 AI 驅動的貼圖。

一個面向企業文件智能的 API-first 平台，利用 Vision LLMs 和代理工作流將發票、收據和對帳單轉換為結構化的 JSON。

一個使用 SAM 3 和多模態大語言模型，將圖表與流程圖的靜態影像轉換為可編輯 DrawIO XML 檔案的工具。

一個統一醫療文字、2D 圖像和 3D 體積的醫療多模態大語言模型家族，實現高階醫療理解與生成。

一套開源 AI 工具，用於生物多樣性監測，提供相機陷阱影像、聲音生物測量、航空視角與側掃聲納的動物偵測模型。

xLSTM 是一種新穎的循環神經網路架構，透過引入指數門控與矩陣記憶，擴展了 LSTM，使其能支援大規模語言模型（例如，一個 70 億參數的模型）。該倉儲提供 PyTorch 程式碼、透過 `mlstm_kernels` 套件提供的自訂 CUDA/Triton 內核、單一檔案 70 億參數實作、設定工具，以及 Hugging Face 上的預訓練權重。安裝透過 conda + pip 完成，該庫可在 NVIDIA GPU（使用快速 Triton 內核）上運作，並為 AMD 或 Apple Silicon 提供回退方案。

Maestro‑Flow 是一個 TypeScript/Node.js 框架，可將自然語言意圖轉化為由多個 LLM 智能體（Claude、Gemini、Codex 等）執行的全棧開發流水線。其 Ralph 引擎將意圖分類為 40 多種命令鏈，在「決策」檢查點動態判斷是否繼續、回滾或插入修復迴圈，並將發現的模式自動儲存在 SQLite 知識圖譜中，後續執行時自動注入。支援四種協調模式（Delegate、Team、Wave、Swarm），透過 Odyssey 命令實現長時間自主循環，並具備精確的字面量/語意程式碼搜尋能力。安裝方式為 `npm i -g maestro-flow`，並提供豐富的 CLI 與 Web 仪表板文件。

FigMirror 是一個代理式工具，可自動將使用者資料以指定參考科學圖的風格生成 Matplotlib 程式碼。

一個針對跨模態檢索與零樣本圖像分類訓練的中文版 CLIP 模型，使用了 2 億對圖像-文本對。

AnySearch MCP Server 是一個即時、MCP 相容的後端，提供通用網路搜尋、垂直領域搜尋、並行批次搜尋與 URL 內容擷取功能。它可透過簡單的 JSON 設定與 OpenCode、Claude Code、Cursor、VS Code、Windsurf、Cline 等主流 AI 助手 IDE 集成，支援可選的 API 金鑰認證以提升速率限制，也支援匿名使用。README 詳細說明了註冊流程、金鑰管理、客戶端特定設定片段，以及四個工具端點（`search`、`get_sub_domains`、`batch_search`、`extract`）的使用方法。

一個基於畫布的媒體工作台，將 AI 生成與專業級編輯工具整合，適用於影像、影片、音訊、音樂與 3D 資產。

LLM Vision 是一個 Home Assistant 集成，使用多模態大型語言模型（OpenAI, Anthropic, Gemini, Ollama 等）來分析圖像、影片片段、即時攝影機畫面和 Frigate 事件。它會返回自然語言描述、記住已識別的人、寵物或物體，並將每次分析結果存儲在時間軸中，可顯示在儀表板上或透過 Assist 進行查詢。可透過 HACS 安裝，配置 LLM 提供者，並可選擇添加提供的 Blueprint 以獲得 AI 摘要的攝影機通知。

HelixWorld 是一個即時互動式音訊視覺世界模型，它生成可導航的環境，其中聲音和視覺會根據使用者移動同步更新。

一個用於時尚科技的開源 AI 工具包，為虛擬試穿、圖像/影片生成和多模態理解提供統一的介面。

AI Team OS 是一個開源平台，可將類Claude的LLM轉化為持續運行的「CEO」。它持續運行，協調專業代理、任務牆、研究管道和雙層記憶系統。FastAPI + React儀表板即時展示工作流、決策軌跡和所有備忘錄的統一搜尋。適合希望實現AI優先、自主運行工作流的技術創辦人或研究團隊。

VLM-R1 是一個使用 GRPO 訓練 R1 風格大型視覺語言模型的框架，旨在提升在視覺定位、數學與目標偵測等任務中的推理與泛化能力。

Merlin是一個用於電腦斷層掃描的3D視覺語言基礎模型和資料集，將CT掃描與電子健康記錄和放射學報告相結合，用於醫學分析。

一系列適用於 iOS、Android 和 HarmonyOS 的裝置端示範應用程式，允許 MiniCPM-V 系列多模態和文字模型透過 llama.cpp 完全在本機執行。

一款利用 Gemini Live 即時感知視覺與聽覺，並透過 OpenClaw 集成執行動作的即時 AI 助手。

一個模組化程式碼庫，用於建構與訓練小規模大型多模態模型，支援多種 LLM、視覺塔與連接器。

一個透過任務感知視覺工具與無縫代理整合，為僅支援文字的 LLM 代理賦予圖像問答與 GUI 自動化能力的工具包。

simple‑one‑api 是一個開源的 Go 閘道器，它透過 OpenAI 相容的端點將多個 LLM 供應商統一化，並增加了容量感知的金鑰排程、四層速率限制、內建的 React 聊天 UI、視覺化配置控制台，以及 Wails 桌面客戶端。它可以作為單一二進位檔、Docker 容器或桌面應用程式運行，並將配置儲存在 SQLite 中。

一個利用 LLM 與影像識別技術，透過螢幕截圖與輸入模擬來自動化《Infinity Nikki》遊戲中日常任務、導航與活動的 AI 代理。

torch_musa 是一個 PyTorch 擴充，為 Moore Threads GPU 加入了 **MUSA** 後端。它鏡像了標準 PyTorch API，因此您只需將 `cuda` 替換為 `musa`。該套件包含建構 C/C++ 擴充的工具、透過 **mccl** 後端進行分散式訓練的功能，以及用於快速設定的 Docker 鏡像。它還提供 torchvision、torchaudio 以及一系列其他熱門 PyTorch 套件的 MUSA 相容建構版本。可透過預建構的 wheel 安裝，或在安裝 MUSA SDK 後從原始碼建構。此專案採用 BSD 許可證。

一個僅限本地的無限畫布工作區，採用基於圖的方法，透過 Google Flow 將一致的角色和產品組合成圖像和影片。

透過將文本 LLM 包裝在低延遲語音轉文字與文字轉語音模型中，使文本型 LLM 能夠實現聽與說的系統。

GrokSearch‑rs 是一個基於 Rust 的 MCP 伺服器，為 LLM 代理新增即時、帶引用的網路搜尋工具。它可以透過 stdio 在本機執行，也可以作為多租戶 HTTP 服務公開。伺服器查詢可設定的提供者鏈（Tavily、Exa、TinyFish、Firecrawl），並包含針對 GitHub、StackExchange、arXiv 和 Wikipedia 的無金鑰專用擷取器。功能包括回應預算、快取、對 Grok 的 OAuth 支援以及健康檢查 `doctor` 工具。透過 npm（預先建置二進位檔）或 Docker 安裝，使用環境變數或全域 TOML 檔案設定，並透過 MCP 協定與 Claude 風格助手整合。