一種無需抽樣的生成擴散模型，用於構建無線電地圖，為 6G 網路提供高精度路徑損耗估計，且不需要昂貴的實體測量。

一個高階的 PyTorch 框架，提供統一介面以將各種深度學習架構套用於表格資料。

一個 Unity 引擎的大型語言模型整合方案，能夠在本地創建具備檢索增強生成（RAG）支援的智慧 AI 角色。

一種基於機器學習的命令列工具，可快速且準確地從蛋白質結構中預測配體結合位點。

一個基於標籤觸發系統、支援多個 AI 提供商的 Obsidian 插件，可實現 AI 文字生成與多模態分析。

一個展示整合RTC、ASR、LLM與TTS的互動式AIGC流程的示範專案，支援即時語音AI互動。

一個高效率的跨平台計算框架，讓開發者能以 C++ 寫出計算內核，並部署至 CUDA、DirectX、Metal 與 CPU 後端。

MultiUserClaw 是一個基於 Docker 的 SaaS 框架，可為多個使用者運行隔離的 AI 助手（Hermes 代理）。包含 React 前端、用於認證、容器管理與 LLM 代理的 FastAPI 網關、使用者級 Hermes 容器、PostgreSQL 儲存，以及知識庫、技能庫、定時任務、多渠道機器人、多模型支援等功能。

一個基於 MLIR 的 JavaScript 分析工具，支援反編譯與去混淆的高階源碼到源碼轉換與低階資料流分析。

一個命令列介面，用於在本機或 CI 中執行與管理 QA Wolf 測試流程，具備 AI 代理整合與 TypeScript Runner SDK。

一個用於無人航空器（UAV）系統的開源軟體套件，提供各種類型無人飛行器的機載軟體、地面控制與模擬功能。

一個將 Jupyter Notebook 支援整合至 Visual Studio Code 的擴充功能，讓使用者能在 IDE 內使用各種語言內核執行互動式筆記本。

用於科學研究中貝氏參數估計的仿射不變 MCMC 系綜採樣的 Python 工具包。

RViz 是 Robot Operating System 2 (ROS 2) 框架的 3D 視覺化工具，用於以三維方式視覺化機器人資料。

針對 AI for Industry Challenge 的機器人工具包，提供用於開發與測試工業電纜插入任務 AI 策略的模擬與 ROS 2 基礎設施。

Vulners 官方 Python SDK，提供對漏洞智慧圖譜的程式化存取，用於優先處理安全修復並審計軟體資產。

Warren 是一個使用 Facebook 的 Prophet 算法即時預測美國上市公司股票未來價值的股價預測工具。

一個模組化的 Julia 程式庫，提供先進哈密頓蒙地卡羅（HMC）演算法（包括 NUTS）的高效實作，適用於機率推論。

一個由 Bun 驅動的 MCP 伺服器，封裝了 Trello API，為 AI 代理公開了 57 個具型別的工具（例如 get_card、get_acceptance_criteria、watch_card）。它處理身份驗證、速率限制、動態看板/工作區切換，並以 JSON 或 Markdown 格式返回資料。透過 npm 安裝並使用 Trello API 金鑰/Token 進行設定；然後添加到任何符合 MCP 標準的客戶端（如 Claude Desktop、Cursor 等）。

一個利用 OCR 與全文搜尋來組織與存取跨多個儲存來源的數位文件的文件管理系統。

一個可在單一架構中原生處理文字、影像與音訊的開源多模態 Transformer 模型實作。

一個即時雙向翻譯系統，可將手語影片轉換為口語文字與音訊，也可將口語轉換為透過角色或GAN生成的手語。

一個透過標準化協定，讓 AI 代理能部署和管理 Google Cloud Run 上應用的 MCP 伺服器。

Stable Diffusion 的一鍵安裝程式與使用者介面，讓使用者無需技術知識即可在本地執行強大的圖像生成 AI。

一個使用空間分割樹與相對鄰域圖實現高速、大規模近似最近鄰搜尋的函式庫。

一個用於在量子電腦和模擬器上編寫、操作和執行量子電路的 Python 套件，針對 NISQ 時代硬體進行了優化。

一個用於在進程內執行自主 AI 代理的開源 TypeScript SDK，具有豐富的內建工具庫並支援多種 LLM 提供商。

一套標準化的實驗與基準，用於評估強化學習代理的核心能力，以促進可重現的研究。

PyTorch Benchmarks 是一組標準化、輕量級的流行深度學習模型（如 BERT、ResNet、Stable Diffusion 等）的集合，可用於衡量不同 PyTorch 建構、CUDA 版本與後端的性能。它提供統一 API、安裝腳本、多種執行器（簡單測試、pytest-benchmark、自訂使用者基準）以及用於在 AWS g4dn.metal 實例上進行低雜訊調校的實用工具。

一個用於對 ONNX 模型執行任意最佳化的 C++ 庫，提供可跨不同後端實作重用的共享最佳化步驟。

一個將機器學習整合至 LLVM 的框架，用以取代人工撰寫的編譯器優化啟發式規則，改用訓練好的模型。

TorchLens 是一個 Python 庫，用於捕獲、可視化和干預任何 PyTorch 模型（並預覽支援其他框架）的完整計算圖。它記錄每個激活和梯度，提供豐富的操作級元資料，允許您查詢或過濾張量，繪製 PDF 圖，計算感受場/投影場，並在前向傳遞中即時干預或重播圖以進行「如果……會怎樣」實驗。該工具已在超過 11,600 個架構上驗證，約 89% 透過演算法驗證，確保捕獲的激活不僅合理，而且可證明正確。

一個用於訓練、評估、解釋與部署隨機森林與梯度提升樹等決策森林模型的快速且可擴展的函式庫。

一個 MCP 伺服器，讓 AI 代理能無限制存取本地 shell 與檔案系統，實現軟體的自主編碼、建構與執行。

一個用於開發能夠透過跨影像與影片的迭代視覺與文字搜尋執行深度研究的多模態大語言模型的框架與基準。

一個結合了 Gaussian Splatting 與神經符號距離場 (SDF) 的 LiDAR 增強型系統，旨在實現幾何學上一致的、照片級寫實的渲染與 ................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................thought: 3D surface reconstruction.

一款本地編排工具，透過整合多個 AI 訂閱，提供並行、多供應商程式碼審查，以捕捉單一 AI 模型可能遺漏的錯誤與偏見。

一個為 NVIDIA Blackwell 與 Hopper GPU 優化之高效率 CUDA 內核庫，支援 KDA 與 Lightning Attention 等線性注意力變體。

Supervisely 是一個基於 Web 的電腦視覺平台，結合了數據標註、模型訓練、推理與協作工具。它提供用於自動化的 Python SDK 與 REST API，以及一個開發者可以建立無介面腳本、互動式 UI 工具或標註工具擴充功能並一鍵部署的應用生態系統。

一個用於簡化與精簡 ONNX 模型的工具，可減少運算子數量並提升推論速度，同時維持準確性。

一個在相同硬體限制下，用於比較不同向量搜尋引擎效能與效率的通用框架。

Hermes 多智能體編排系統的一個多語言視覺儀表板，使多智能體委派和看板任務追蹤在瀏覽器中變得可見且可管理。

一個 Model Context Protocol 伺服器，讓 AI 代理程式能存取 Mapbox 的位置智慧，支援地理空間推理、路徑規劃與互動式地圖視覺化。

一個容器內 GPU 資源控制器，透過攔截 CUDA 呼叫，在不修改應用程式或驅動程式的情況下，強制執行每個容器的記憶體與計算利用率限制。

一個具備 Rust runtime 的開源、模型中立的程式碼代理，支援桌面端與 TUI 介面，適用於私有與企業環境。

lionagi 是一個用於建構、執行與治理多智能體 LLM 工作流程的 Python 庫與 CLI。它提供類型化、持久化的對話狀態，支援平行扇出與基於 DAG 的流程，整合模型專用 CLI 與 API 提供者，並包含用於視覺化執行管理的 Web UI（Lion Studio）

一個安全、受政策強制執行的 AI 代理執行閘道，於執行時攔截並管理檔案、網路、行程與資料庫活動。

一個開源部署平台，配備自主 AI 代理，可處理應用部署、設定產生與自我修復故障。