multimodal

内置RAG、AI智能体、无代码智能体构建器、MCP兼容等功能的桌面与Docker一体化AI应用

开源多模态AI智能体堆栈，连接尖端AI模型与智能体基础设施

screenpipe将您的电脑转变为个人AI助手，它能知晓您的一切操作。记录、搜索、自动化，全部本地运行，完全私密，尽在您掌控。

🚀 真正开源的 AI 数字人工具包，支持离线视频生成与数字人克隆

使用PEFT或全参数方法对500余个大语言模型和200余个多模态大语言模型进行CPT/SFT/DPO/GRPO训练

可视化多模态数据流。免费、快速、易用且易于集成。基于Rust构建。

🔍大模型应用开发实战一：RAG技术全栈指南，在线阅读地址：https://datawhalechina.github.io/all-in-rag/

FinRobot：基于大语言模型的金融分析开源AI智能体平台🚀 🚀 🚀

基于 Apple MLX 框架构建的文本转语音 (TTS)、语音转文本 (STT) 和语音转语音 (STS) 库，可在 Apple Silicon 上提供高效的语音分析。

成为顶尖的人工智能与机器学习研究工程师

用于在JavaScript、Go和Python中构建AI驱动的应用程序的开源框架，由Google构建并在生产环境中使用

UltraRAG v3：一个用于构建复杂创新RAG管道的低代码MCP框架

一个面向全模态模型的高效推理框架。

这是一本 Phi 系列 SLM 书籍，用于入门 Phi 模型。 Phi 是微软开发的一系列开源人工智能模型。 Phi 模型是现有功能最强大、最具成本效益的小语言模型 (SLM)，在各种语言、推理、编码和数学基准测试中，其性能优于相同大小和更高大小的模型

可扩展的尖端列式文件格式。原属@spiraldb项目，现为Linux基金会托管项目

DeepSeek Harness 的第一个视觉插件，以及每个纯文本编码代理的视觉桥。粘贴图像，获取结构化 JSON 证据（OCR、布局、语义）。 | 全网第一个 DeepSeek Harness 视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得格式化 JSON 证据（OCR、版面、语义）。

MOSS‑TTS 系列是由 MOSI.AI 与 OpenMOSS 团队开发的开源语音与声音生成模型系列。

HunyuanImage-3.0：一个强大的原生多模态图像生成模型

设备端实时多模态AI。与完全运行在您本机上的AI进行自然的语音和视觉对话，由Gemma 4 E2B和Kokoro驱动。

🎨 NeMo数据设计器：从零开始或基于种子数据生成高质量合成数据

让 Claude 能够观看和理解视频 — 具有帧提取和多模态音频分析功能的 Claude Code 插件

SGLang-Omni 为 TTS、ASR、语音和全向模型提供高性能服务。

您的开放式自治 Android 代理 — 一款可投入生产、自我规划的 AI 助手，由本地/远程 LLM 和可访问性驱动的屏幕自动化提供支持。

暂无项目描述