HFlow 是一个开源 SDK，专为机器人和 Physical AI 场景设计的多模态数据流水线工具。它的核心功能是：把原始的多模态 episode 数据（视频、状态、动作、时间戳、元数据）经过质量检查、转换、富化、筛选 curation，最终产出干净、可查询、带 provenance 的训练数据集。 一句话说清：HFlow 让机器人数据团队用普通 Pyth…
仓库攻略
126 篇 · 125 个项目 · tom · 多模态
Horizon Academic Writing 是一个面向 AI 编程助手（Codex / Claude Code 等）的 Agent Skill 合集，专注于严谨的学术论文润色、同行评审和学术出版工作流。它不是通用写作 AI，而是为"论文段落逻辑 + 技术含义不变 + 格式保护"设计的专项技能套装。目前发布了两款技能： HorizonAfterglow：…
MindPipe 是一个统一的 LLM/VLM 模型压缩评估框架，用单一 main.py CLI 驱动 11 种量化方法、7 种剪枝方法、压缩微调联合流程，以及 PPL / lmevalharness 零样本 / VLMEvalKit 多模态三类评估。核心设计理念是：一次配置，全流程可复现。 ⚠️ 注意：本仓库同时支持 NVIDIA GPU 和华为昇腾 NP…
Tailor（中文名：泰勒）是一款本地运行的 AI 视频处理桌面工具，涵盖视频智能裁剪、视频生成和视频优化三大类共 10 种功能。核心特点是点点鼠标即可完成专业级剪辑，无需复杂的命令行操作，特别适合中文用户和短视频创作者。 ⚠️ 平台限制：目前仅支持 Windows。macOS 和 Linux 用户需通过虚拟机或双系统运行。最新版本为 20240807，功能…
shortvideomaker 是一个开源自动化短视频创作工具，通过文本脚本自动生成 TikTok / Instagram Reels / YouTube Shorts 风格的短视频。它同时暴露 REST API 和 MCP（Model Context Protocol） 接口，既可以配合 n8n 等工作流工具使用，也可以直接 API 调用。 它的定位是不需…
ipaslogoskill 是一个紧凑的 AI Agent 技能包（Agent Skill），专门用于生成极度简洁、可爱、适合商业使用的 IP 吉祥物图片。它遵循开放 Agent Skills 格式，可接入任何兼容的 AI 编程助手（Codex、Coze、Doubao、YouMind、Manus、Gemini Apps、Replit Agent 等），而非绑…
PaperDebugger 是一款面向 Overleaf 的 Chrome 浏览器插件，为学术论文写作提供 AI 辅助——在编辑器内完成研究 → 批评 → 修订的完整工作流。核心驱动力是团队自研的 XtraMCP 编排引擎，通过多步骤推理实现类审稿人的结构化批评，而非简单的聊天式续写。 核心约束：只读不写——从不修改用户项目，仅读取并提供建议，隐私安全优先。…
dshwallpaperengine 是一个 DeepSeek Harness（DSH）bundle（插件），其核心功能是：把你电脑上 Wallpaper Engine 的壁纸"搬"到 DSH 网页界面的后方，让 AI 对话界面自带动态桌面背景。 它的工作方式并非简单地把图片塞进 HTML 背景，而是真正地读取引擎素材——.mp4 视频壁纸直接用 <vide…
Aria（AI Research Assistant，ARIA = "AI Research Assistant" 倒写）是 Zotero 的一个本地插件，用 GPT4 系列模型为你的文献库添加对话式 AI 助手功能。装好后 Zotero 工具栏出现一个按钮，点开就能和当前选中的文献"对话"——问它摘要、方法论、找相关研究、写笔记。 最新版本： Zotero…
potholereporter 是一个纯客户端 Android 应用，用 AI 视觉检测班加罗尔（Bengaluru）道路坑洞，自动关联公共采购记录找到负责官员和承包商，生成一份可编辑的投诉邮件草稿，由你审核后手动发送。 核心特点：没有服务端、不需要账号、不自动发邮件——一切都在本地完成，你掌控每一步。App 扫描约 2,900 份政府合同记录用于关联，检测…
imagetolatex 是一个将数学公式图像转换为 LaTeX 代码的深度学习项目，使用 ResNet18 作为图像编码器、Transformer 作为解码器，在 im2latex100k 数据集上训练，测试集字符错误率（CER）约为 0.17。项目为独立研究者作品，没有商业依赖，适合学术写作者、科研人员和教育场景快速将印刷或手写的数学公式转为可编辑 La…
EasyAnimate 是阿里巴巴 PAI 团队开源的端到端视频生成 Pipeline，基于 Diffusion Transformer（DiT）架构，支持文生视频、图生视频、视频生视频及多种控制条件（姿态/Canny/深度/相机轨迹）。最新版本 V5.1 提供 7B 和 12B 两种规模，支持中英文双语提示词，是目前开源生态中支持控制类型最丰富的视频生成方…
VideoXFun 是阿里巴巴 PAI 团队开源的端到端 AI 视频生成流水线，基于 Diffusion Transformer（DiT）架构，支持文生视频（T2V）、图生视频（I2V）、视频生视频（V2V）、控制视频生成（ControlNet 类）以及 LoRA 微调训练。项目同时支持 CogVideoXFun 系列和 Wan2.1Fun 系列模型，覆盖从…
Goose 是一个本地优先的 WHOOP 5.0 数据项目，核心目标是绕过 WHOOP 昂贵的订阅费（$199+/年），直接从设备蓝牙获取原始数据并在本地解析为健康指标。2026 年 6 月 2 日由独立开发者 Bennett（@b_nnett）用 24 小时倒计时挑战从零构建，随后快速获得关注——发布 23.5 小时内已有可用的 app，累计 2,500+…
一份持续更新的 AI 工程面试题库，由印度理工学院（IIT BHU）校友 Amit Shekhar 创建，配套其在线课程平台 Outcome School。仓库收录了 AI Engineer、Gen AI Engineer、LLM Engineer、Agentic AI Engineer、AI Platform Engineer、MLOps/LLMOps E…
SSL4MIS（Semi Supervised Learning for Medical Image Segmentation）是一个医学影像分割领域的半监督学习论文与代码汇总仓库，由 HiLab 团队维护。它不是一个可以直接跑起来的框架或工具，而是一个持续更新的文献 + 代码索引库——追踪这个领域从 2019 年至今几乎所有重要的论文及其官方实现。 每一项…
Intel Neural Compressor 是 Intel 开源的模型压缩库，专注于 LLM/VLM 的低比特量化（Lowbit Quantization），覆盖 INT8、FP8、MXFP8、MXFP4、INT4、NVFP4 等多种低精度数据类型，支持 PyTorch、TensorFlow、JAX 三大框架。 其核心定位是：Intel 官方大模型推理优…
NeMo Curator 是 NVIDIA 出品的大规模多模态数据预处理与清洗工具包，专门为 LLM（及其他基础模型）预训练数据构建可复用的 GPU 加速流水线。覆盖文本、图像、视频、音频四种模态，核心能力包括：质量过滤、去重（精确/模糊/子串）、语言检测、分类、合成数据生成（SDG）。它由 RAPIDS（cuDF/cuML/cuGraph）+ Ray 驱动…
gptme（发音像 "GPTmee"）是一个运行在终端里的 AI 编程 Agent，配备本地工具集：写代码、执行命令、浏览网页、操作文件。你可以在自己的笔记本、SSH 会话、tmux、headless 服务器甚至 CI 流水线里运行它。定位是通用型终端 AI Agent，既是一个强大的编程助手，也可以处理各种知识工作。完全开源，支持 Anthropic、Op…
DSH Desktop（DeepSeek Harness Desktop）是将 DeepSeek 官方 CLI 工具 dsh（DeepSeek Harness）封装为开箱即用桌面客户端的项目。打包内置完整 Node.js 运行时 + npm CLI + 全部官方插件，双击即启动 dsh web UI，无需用户自行安装任何环境。适合不想折腾命令行、直接在 Wi…
UltraRAG 是由清华大学 THUNLP、东北大学 NEUIR、OpenBMB、AI9stars 联合推出的低代码 RAG 开发框架，基于 MCP（Model Context Protocol）架构设计。它将 RAG 的核心组件（检索器 Retriever、生成器 Generation、语料处理 Corpus、评估 Evaluation）拆解为独立的 M…
EasyPhoto 是一个 Stable Diffusion WebUI 插件，用于生成 AI 人像写真——上传 5~20 张个人照片训练专属的"数字分身"（LoRA 模型），之后即可用这个分身在任意场景下生成写真图片。 核心能力： 由阿里巴巴 PAI（Platform for AI）团队开发维护，开源于 2023 年，配套有论文（arXiv:2310.04…
Genkit 是 Google Firebase 团队开源的全栈 AI 应用开发框架，支持 JavaScript/TypeScript（生产就绪）、Go（生产就绪）、Python（Beta）、Dart（Preview）四种语言，可对接 Google Gemini、OpenAI、Anthropic、Ollama 等主流模型厂商。 核心理念：一套 API 走天下…
IndexTTS 是阿里巴巴 Index 团队开源的零样本（ZeroShot）语音克隆系统，用一段参考音频（10~30秒）即可复刻任意人的音色，生成对应文本的语音。当前稳定版为 IndexTTS2.5（2026年8月10日发布），支持中文、英语、日语、西班牙语、阿拉伯语五种语言，并在多语言跨音色任务上达到了开源 SOTA 水平。 核心能力： IndexTTS…
内容待复核
Zhiyuan-Fan/Awesome-DeepSeek-Harness-Plugins · 上手攻略
DeepSeek Harness（DSH）是 DeepSeek 官方开源的 Agent 执行框架，其核心理念是"一切皆插件"——每个能力（模型供应商、工具、记忆、调度、UI 客户端）都是可插拔的组件。AwesomeDeepSeekHarnessPlugins 是由 ZhiyuanFan 维护的每日精选目录，收录 DSH 生态中公开可用的插件、扩展、技能、工具…
pytorch/examples 是 PyTorch 官方维护的示例仓库，汇集了 PyTorch 官方团队编写的各领域高质量参考实现。与 PyTorch Tutorials 不同，这些示例追求代码简洁、独立可运行、少依赖，每个子目录对应一个完整任务，读者可以直接把代码复制到自己的项目中使用或改写。覆盖领域包括：MNIST 手写数字识别（含多种变体）、VAE、…
labelImg 是一个开源的图形化图像标注工具，由 Tzutalin 开发维护，现归属 HumanSignal（Label Studio 社区）管理。它用 Python + Qt 编写，提供直观的 GUI，让用户通过鼠标框选来标注目标物体，生成标准格式的标注文件。标注结果支持 PASCAL VOC XML、YOLO TXT 和 CreateML JSON …
CLIP（Contrastive LanguageImage PreTraining）是 OpenAI 在 2021 年发布的图文多模态模型，论文为 Learning Transferable Visual Models From Natural Language Supervision。它的核心思想是用大规模图文配对数据训练一个联合 embedding 空…
EasyOCR 是一个用 PyTorch 开发的通用 OCR（光学字符识别）Python 库，开箱即用，支持 80+ 语言，涵盖 Latin、CJK（简繁体中文、日文、韩文）、Arabic、Devanagari、Cyrillic 等所有主流书写系统，同时处理自然场景文本和文档密集文本。 v1.7.2（2024 年 9 月）是当前最新正式版。自 2020 年起…
OCRmyPDF 是一个为 PDF 添加 OCR 文字层的命令行工具，它调用 Tesseract OCR 引擎，将扫描件、影印件等图片型 PDF 转化为可搜索、可复制文字的 PDF/A（适合长期归档的可移植 PDF 子集）。 它的核心价值在于「精准」——OCR 文字会精确地嵌入到原始图片下方，保证复制粘贴时位置准确，不出现文字错位；输出文件通常比输入更小（经…