coderonion/awesomellmandaigc 是一个 LLM / VLM / VLA / AIGC 领域的精选资源列表（Awesome List），按 Framework（模型/训练/推理/量化/RAG）、Application（IDE/聊天机器人/具身智能/代码助手/知识库等）、Dataset、Learning Resources、Commun…
仓库攻略
56 篇 · 56 个项目 · 多模态 · 多模态
wshzd/AwesomeAIGC 是一份中文 AIGC 资料汇总型仓库，以「论文分享 / 访谈 / 模型评测 / 行业动态」为单位收录条目，附带外链（arXiv、知乎、微信公众号、B 站等）。与 f/awesomechatgptprompts、Hannibal046/AwesomeLLM 这类以英文为主的清单相比，它的定位是中文圈 AIGC 早期热度阶段的…
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…
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…
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…
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…
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…
MMagic（Multimodal Advanced, Generative, and Intelligent Creation）是 OpenMMLab 体系下的 AIGC 工具箱，是 MMEditing 与 MMGeneration 合并后的统一继承者。它提供从底层 PyTorch 训练到高层 MMagicInferencer 的全套接口，覆盖图像 / 视…
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 …
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…
textgen（全称 oobabooga/textgenerationwebui）是一个开源本地大模型桌面应用，支持文本生成、视觉理解（多模态）、工具调用、网页搜索、LoRA 微调，以及 OpenAI / Anthropic 兼容 API。口号是「100% 离线、零遥测」——不需要任何外部服务，所有模型和数据都在你自己的机器上。 它是原本大名鼎鼎的「text…
dshvisionrouter 是 DeepSeek Harness（DSH）的视觉增强插件，专为"只能处理文本"的 Agent 提供图像理解能力。它的核心思路是：把看图变成一次普通的工具调用，让 Agent 可以用 vision_ground、vision_crop、vision_describe 等 11 个像素级工具按需操作图像，而不是把图片压缩成一段…
Stable Diffusion 是 CompVis 团队（海德堡大学）开发的潜在扩散模型（Latent Diffusion Model），通过文本提示生成照片级图像。该项目是 Stability AI 和 Runway 合作的产物，在 2022 年 CVPR 以 Oral 论文发表，相关论文 HighResolution Image Synthesis w…
dshpluginwritingguard 是 DeepSeek Harness（DSH）的论文写作守卫插件，在论文撰写和修改过程中自动检测常见 AI 写作风格、修改残留、防御性表达与机械化句式，同时提供 Scholarship Lock 功能在 AI 润色时保护科研事实（数字、p值、图表编号等核心实体不被悄悄改动）。定位是学术写作 linter——不是"写…
NVIDIA Video Search and Summarization（VSS）Blueprint 是一套GPU 加速的视频语义理解和分析参考架构。它将视觉语言模型（VLM，如 NVIDIA Cosmos）、大语言模型（LLM，如 Nemotron）、RAG 和 NVIDIA NIM 微服务整合在一起，实现用自然语言搜索视频内容、实时异常检测、视频问答和…
Pix2Text（简称 P2T）是一个开源 Python 工具，核心功能是把图片（含数学公式、表格、版面布局）识别并转换为 Markdown 格式，定位是 Mathpix 的免费开源替代品。 2025 年 7 月升级到 V1.1.4 后，数学公式检测（MFD）和识别（MFR）模型均已升级到 1.5 版本，版面分析引入 DocLayoutYOLO 模型，整体识…
sorafm 是一个基于 Next.js 的开源 Sora AI 视频生成 Web 应用，提供可视化界面来管理和展示由 OpenAI Sora 生成的 AI 视频内容。项目支持 Docker 部署，可以在本地或私有服务器上快速搭建一个 Sora 视频展示站点。 技术栈：Next.js（前端框架）+ PostgreSQL（数据库）+ Tailwind CSS（…
skillpromptgenerator 是一个双平台 AI 提示词生成系统： 三种生成模式： ⚠️ README 中提到的 .claude/CLAUDE.md 入口文档实际 fetch 返回 404（仓库根 README 列出的 /blob/main/.claude/CLAUDE.md 路径不可访问，⚠️ 未核验），用户需要直接通过 Skill 名称调用。…
HITszTMG/VideoClaw 是一个面向创意视频生产的 AI 导演系统，来自哈尔滨工业大学（深圳）TMG 实验室。它不是单点式的文生视频工具，而是一条覆盖"剧本策划 → 角色/场景设计 → 分镜规划 → 参考图生成 → 视频生成 → 后期剪辑"的全流程生产线。 用户只需给出一句想法或故事梗概，VideoClaw 就会自动拆解为可执行的影视工作流，生成…
femaleportraitdirector 是一个模块化的 Codex Skill（也兼容 Claude Code / Cursor / GitHub Copilot / Gemini CLI），作用是把零散的人像参数——如风格、场景、服装、情绪——转化为一组结构化的、可以直接复制使用的 AI 生图提示词，输出包含最终提示词（5 个完整段落）和独立的负面约…
AIGCDetectorRewriterSkill 是一个面向学术论文写作的 AI 生成内容（AIGC）风险检测与最小化改写技能，兼容 OpenClaw 与 HermesAgent。支持英文论文、中文论文（含中文模板化表达检测），针对 Turnitin AI 检测、知网 AIGC 检测等主流工具提供保守改写方案。 核心原则：最小化改写——不重写全文，不过度润…
VGGTOmega（VGGTΩ）是 Meta AI 与牛津大学视觉几何组（VGG）联合发布的单次前向 3D 重建模型，输入一组图像（单张到数百张），直接输出相机内外参数、深度图、置信度图和场景 token——无需传统 SfM/Colmap 的迭代优化步骤。模型入选 CVPR 2026 Best Paper Finalist，是前作 VGGT（CVPR 202…
DramaClaw 是一套"工业级短剧 AIGC 生产线"的社区版（Community Edition / CE），由 dramaclaw 团队自用后开源。它把"小说 → 知识图谱 → 分集/分镜 → 剧本 → 分镜图与首帧 → 配音 → 合成成片"整条链封装在一个 Docker 编排里，强调"一套跑到底、关掉浏览器也能交付成片"，目标是把原本只有大厂才拼得…
gcminimalzineposter 是一个 Codex（OpenAI 官方 AI 编程助手）技能，专门将任意主题、句子、物件、情绪、文章构想、照片或内容简报，转化为一张安静、极简 ZINE 风格编辑海报的提示词，并直接生成对应的位图图像。 它不是通用的图片生成工具——所有输出都围绕一种独特的美学：竖版 3:5 比例、70%–90% 留白、日式/韩式独立 …
Transformers 是 Hugging Face 维护的 Python 库，提供超过 1M 个预训练模型检查点的统一加载、微调和推理接口。它覆盖文本（NLP）、计算机视觉、音频、视频和多模态五种模态，是目前最广泛使用的开源模型定义框架。 它的核心定位不是"又一个 PyTorch 工具箱"，而是模型定义层的事实标准——如果一个模型在 transforme…
videoshotcraft 是一个 AI Agent 技能，专门用于让 Claude Code 或 Codex 变身电影感产品宣传片制作工作室。它提供 104 张镜头配方卡（shot recipe cards）、161 条动态预览、161 种运动风格，以及一套经过实战验证的六阶段制作流水线。底层渲染引擎是 Remotion（用 React/TSX 写视频）…