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、…
仓库攻略
317 篇 · 311 个项目 · 多模态
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…
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…
binaryhusky/gpt_academic（GPT Academic）是一个为 GPT / GLM 等大语言模型打造的实用化交互界面，特别针对论文阅读、润色、翻译、写作场景深度优化。项目采用模块化插件设计，支持自定义快捷按钮、Python / C++ 项目剖析、ArXiv 论文翻译总结、LaTeX 全文翻译校对等30+ 功能，并行支持 ChatGPT、…
StarlightSearch/EmbedAnything 是一个用 Rust 构建的高性能、多模态 embedding 管道。它支持从文本、图片、音频、PDF、网站等多种来源生成向量嵌入，并与 Milvus、Weaviate、Elastic、SingleStore 等主流向量数据库无缝对接，核心卖点是零 PyTorch 依赖、低内存占用、流式索引，已在 E…
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…
MinerU 是由 OpenDataLab（上海人工智能实验室关联开源组织）开发的高精度文档解析引擎，于 2024 年开源。其核心能力是：将 PDF、DOCX、PPTX、XLSX、图片、网页等复杂文档，转换为 LLM 可直接消费的 Markdown 或 JSON 格式，同时保留阅读顺序、标题层级、表格结构、公式 LaTeX 等语义信息。 MinerU 最早服…
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…
secondbrainskills 是一组为 Claude Code 打造的自定义 Skills 合集，将 Claude Code 从单纯的代码助手扩展为「第二大脑」——能够系统性捕获、组织和运营知识的工作流系统。 核心哲学是渐进式上下文披露（Progressive Disclosure of Context）：Claude 只在需要时才加载详细指令，保持上…
llama.cpp 是一个纯 C/C++ 实现的高性能 LLM 推理框架，核心目标是在各种硬件上以最小化依赖和最优性能跑本地大模型。它基于底层的 ggml 库构建，支持 FP16 和 GGUF 量化格式，Star 122,572（无周增，长期稳定），是本地 LLM 推理领域最活跃的开源项目之一。 核心特点： 纯 C/C++ 实现，无外部依赖（除少量单文件 H…
Hao0321/claudeskillsocialpost（作者駱君昊/Hao）是一个 Claude Code / Codex Skill，功能是 学习你的社群语语气 → 规划内容 → 撰写平台化贴文 → 经确认后发布 → 把 Reels / 贴文洞察变成结构化学习资料。目标平台是 Facebook / Instagram / Threads / X，覆盖两…
dshtianshutui（npm 包名 @huiliyi37/dshtianshutui）是 DeepSeek Harness（官方 CLI @deepseekai/dsh）的交互式终端极简风格 UI 插件。它以自研 ANSI 渲染为核心，在官方 Web UI 之外提供类 Claude Code 风格的纯终端对话界面，并叠加了 TDD 工作流、证据门、视觉…
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…
dshwebui 是给 DeepSeek Harness（以下简称 DSH）Web GUI 的一站式插件与皮肤全家桶，通过官方 profile 机制挂载，不改 DSH 源码。所有插件以 npm 包发布（@linxin666/ scope），可逐个安装也可一次性装齐。 仓库包含 11 个子包，核心能力如下： | 能力 | 说明 | ||| | 梁神模式 | 面…
PixelleMCP 是一个基于 MCP 协议的开源多模态 AIGC 解决方案，核心思路是把 ComfyUI 工作流一键转成 MCP 工具，让 LLM（Claude Desktop、Cursor 等）通过自然语言直接驱动 ComfyUI 图像生成。它支持本地 ComfyUI 和云端 RunningHub 两种执行引擎，提供 Web 界面、MCP 服务器和文件…
Gen2Recomped 是把任天堂 Game Boy / Game Boy Color 上的《精灵宝可梦 金/银》（以及兼容的 Crystal、红/蓝/黄）静态重制为可在现代平台原生运行的 LÖVE2D（Lua）项目的 fork。它基于 Gen1Recomp 的 Gen I 引擎，在其上叠加了完整的 Gen II 模块：Gen 2 脚本虚拟机与指令表、城都…
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…
appledocsmcp 是一个 MCP 服务器，为 AI 助手提供 Apple 官方开发者文档的实时查询能力。接入后，可以在 Claude、Cursor、VS Code（Copilot MCP）、Windsurf、Zed、Cline、Amazon Q 等主流 AI 开发工具中，直接用自然语言搜索 iOS / macOS / watchOS / tvOS /…
MedSci Skills 是面向临床研究与医学人工智能的开源 Agent Skills 合集（MIT 许可证），由韩国首尔峨山医疗中心放射科医生兼研究员 Yoojin Nam, MD 构建，在真实出版物上测试通过。截至 v5.0 版本共包含 59 项技能，覆盖从文献检索、统计图表、报告指南合规审查到 AI 模型工程的全链路。 它并非通用 AI 科学家平台，…
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…
这是一套面向 Offensive Security(OffSec)考试体系(OSCP / OSWE / OSEE / OSWP / OSEP / OSED / OSWA / OSDA / OSMR / OSTH / OSIR)的 Markdown 报告模板仓库,作者 noraj。核心思路:考生在 24 小时考试窗口里写渗透测试报告时,不再依赖 LaTeX 或…
封神榜（FengshenbangLM） 是 IDEA 研究院认知计算与自然语言研究中心（CCNL）主导的中文大模型开源体系，2021 年 11 月由沈向洋在 IDEA 大会上正式发布。定位是"中文认知智能的基础设施"，旗下包含 6 大模型系列，覆盖从语言理解到多模态生成的完整 NLP 任务。 三个子项目协同工作： Fengshenbang Model：预训练…
RSIBenchData（Evolvent AI × 新加坡国立大学，arXiv:2607.25886，cs.SE，2026 年 7 月 28 日）是首个专门评测 LLM Agent 作为数据研究员（datacentric researcher）进行递归自我改进的受控基准。 它的核心问题：给一个固定的模型和训练基础设施，LLM Agent 能否自主诊断能力短…
youtubetoebook 是一个将 YouTube 频道视频自动转成 EPUB 电子书的 Python 工具链。它的工作流是：抓频道最新视频 → 提取字幕 → 丢给 Claude 改写成杂志风文章 → 打包成 EPUB → 可选邮件推送。作为 Claude Code Skill 使用时，对话中一句"Set up YouTube to ebook for …
Humanize PPT 是一个 AI Agent Skill（Codex / Claude Code / Hermes 等），核心功能是把任意资料编排成一条"能上台讲"的演讲线，而不是一堆"只能看"的漂亮页面。它不做渲染，而是指挥下游渲染 skill 出图出视频，编排完后跑自动演讲体检，最后交付演讲模式或原生 PPTX。 它的核心理论叫 AST（Audie…
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。…