仓库攻略

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）…

vllmmlx 是一个专为 Apple Silicon（M 系列芯片）打造的推理服务器，核心思路是：把 vLLM 在 CUDA 硬件上的核心优化（连续批处理、页级 KV 缓存、前缀缓存）移植到苹果的 MLX 框架上，通过 Metal 驱动统一内存直接跑模型，无需任何格式转换。 它同时暴露 OpenAI /v1/ 和 Anthropic /v1/message…

Paddler 是一款用 Rust 写的开源 LLM/VLM 推理负载均衡与服务平台。架构非常克制：只有两个组件——balancer（对外暴露 OpenAI 兼容推理接口、管理面和 Web 控制台）和 agent（真正跑推理，注册到 balancer 上即可上线）。底层直接用 llama.cpp 推理引擎（fork 版本，Paddler 自己实现了 slot…

img2threejs 是一个代码优先的图像→3D 重建工具。你给它一张参考图，它生成一段 TypeScript 代码，在浏览器里跑出一个 THREE.Group 工厂函数——所有几何体都由原始几何体（BoxGeometry、CylinderGeometry 等）、程序化着色器和生成式几何拼出来，没有 mesh 文件，没有 GLB 下载，产物天然是"代码"而…

img2threejs 是一个代码驱动式图像→3D 重建工具。它接受一张物体参考图，通过 AI Agent（Claude Code / Codex / OpenCode）驱动一个分阶段质量门控流水线，输出一段 TypeScript Three.js 工厂函数，将该物体用几何体 Primitive、程序化材质和自定义几何重建出来——不是生成 mesh 文件，而…

scrollworld 是一个 AI Agent Skill（技能），运行在 Claude Code、Codex 或任何兼容 SKILL.md 的 AI 编程助手内。它能为一任意品牌或行业构建「滚动穿越3D世界」的沉浸式落地页——访客滚动页面时，摄影机从场景外部俯冲进入内部，再无缝飞入下一场景，全称无剪辑，像 Apple's scrollthrough 产品…

lmmseval（Python 包名 lmmseval，前身为 LMMsEval）是 EvolvingLMMsLab 维护的"统一多模态大模型评估工具包"。目标只有一个：让"同一个模型 + 同一个 benchmark + 同一套参数"在两台机器上跑出来数字一致，并且能覆盖文本、图像、视频、音频四大模态的 100+ 任务、30+ 模型后端。 它脱胎于 Eleu…

LaTeXOCR（开源包名 pix2tex）是一个基于深度学习的 OCR 工具，专门把数学公式的图片还原为 LaTeX 代码。输入一张公式截图，输出对应的 LaTeX 文本——支持印刷公式也支持部分手写公式。 它由 ViT（Vision Transformer）编码器 + ResNet 主干网络 + Transformer 解码器 组成，在 im2latex…

这是一份由南京大学 MIG 实验室（NJUMiG）维护的多模态大语言模型（Multimodal Large Language Models，MLLM）前沿论文合集，截至 2026 年 7 月已收录 17.9k+ Stars，是 MLLM 领域最全面、最活跃的社区驱动的学术索引之一。 它不是代码库，而是一个持续更新的知识库，系统整理了 MLLM 各个子方向的论…

kritaaidiffusion 是开发者 Acly 给开源绘图软件 Krita 写的生成式 AI 插件。它把扩散模型（Stable Diffusion 1.5 / XL / Illustrious / Flux、ZImage + ControlNet / IPAdapter）作为 Krita 的"生成式图层工具"暴露出来，强调两件事： 1. 精度与控制：用…

htmlvideo 是 Open Design 团队出品的"AI 视频生成 metalayer"：你跟本地 coding agent 说一句话（或丢一个链接），它把 HTML/CSS/数据变成真实 MP4 视频，全程在你电脑上渲染，不需要云端、不收单次渲染费。 它不绑定某个特定渲染引擎，而是一套适配器接口，render(input, ctx) 契约，任何后端…

NVIDIA NeMo Speech 是 NVIDIA 推出的专注于语音 AI 的开源框架，支持自动语音识别（ASR）、语音合成（TTS）和语音大模型（Speech LLM）三大方向。它是从原 NVIDIA/NeMo 大一统仓库中拆分出来的独立版本（2026 年 6 月正式发布首个 release），专门面向需要训练和微调语音模型的 연구人员和 PyTorc…

LTX2 是 Lightricks 开源的视频生成模型（当前版本 LTX2.3，22B 参数，2026 年 3 月 5 日发布），基于 DiT（Diffusion Transformer）架构。它是 2026 年视频生成领域里唯一同时具备以下三个特性的开源模型： 同步音视频生成（4K 视频 + 音频，一次扩散过程完成） 原生 4K 50fps 输出 完整开源…

Xinference（Xorbits Inference）是 xorbitsai 团队开源的统一推理服务平台，一行代码替换 GPT 为任意开源 LLM。它让你在本地、云端或笔记本上运行开源语言模型、语音模型和多模态模型，通过统一的 OpenAI 兼容 API 提供服务。 Xinference 的核心差异化在于：支持最多的推理引擎（vLLM、SGLang、ll…

LocalAI 是一个开源的本地 AI 推理引擎，2026 年 7 月 Stars 约 4.7 万，周增约 +126。核心理念是「小核心 + 按需加载后端」：每个后端（llama.cpp、vLLM、whisper.cpp、stablediffusion、MLX 等）都是独立的 OCI 镜像，只在你需要某类模型时才拉取安装。最新稳定版为 v4.3.0（2026…

MediaPipe 是 Google 开源的端侧机器学习框架，专注于在手机（Android/iOS）、Web、桌面、边缘设备和 IoT 上实时运行 ML 模型。它不是训练框架，而是推理框架——帮你把 Google 训练好的模型快速部署到各类设备上，以低延迟处理图像、视频、音频和文本。 Google 于 2023 年将 MediaPipe 主开发文档迁移至 d…