工具
recallmabika/ruzivoAI · Ruzivo AI: An end-to-end multimodal conversational intelligence system for ChiShona, featuring parameter-efficient fine-tuning (QLoRA), dense vector retrieval-augmented generation (RAG), and a cross-platform mobile/web client.
Ruzivo AI 是面向津巴布韦绍纳语（ChiShona）的端到端多模态对话系统，采用 QLoRA 参数高效微调低秩适配器、基于教材语料的稠密向量检索增强生成（RAG）以及绍纳语词汇校验与输入防护，并提供 React Native/Expo 移动端与响应式网页客户端。项目还包含基于 FLEURS 绍纳语语音语料的语音识别与合成能力，以及 FastAPI 后端服务和 SQLite 用户认证。
展开详情收起详情：Ruzivo AI：面向绍纳语的多模态对话智能系统⌄
程序员作为低资源语言对话系统的参考实现，程序员可复用其 FastAPI 后端、React Native/Expo 前端、QLoRA 微调 notebook 与 RAG 管线代码，用于构建或调试类似的多模态对话应用。
★ 0 · 可直接使用的工具
原文发布：未知收录：2026-10-29
工具
nurf-ai/ai · Multimodal Go AI module with realistic cost tracking, not just tokens.
nurf-ai/ai 是一个 Go 语言模块，用于在多家 AI 服务商之间统一构建聊天、流式输出、推理、工具调用、结构化输出、嵌入、语音转文字、文字转语音、音效、音乐生成、实时语音、内容审核、图像生成与编辑、视频生成等能力。其特色是内置按模型计价器，可估算 token、图像、视频秒数、语音字符与音频时长等真实成本，并通过 models.json 集中维护模型费率与上下文窗口。
展开详情收起详情：nurf-ai/ai：跨多家 AI 服务商的多模态 Go 模块，内置真实成本计量⌄
程序员在 Go 项目中通过该模块统一接入多家 AI 服务商的聊天、流式输出、工具调用、结构化输出、嵌入、语音、图像与视频生成等能力，并利用内置按模型计价器估算 token、图像、视频秒数、语音字符与音频时长等真实成本。
产品经理在评估或规划多模态 AI 功能时，参考该模块覆盖的聊天、推理、工具调用、结构化输出、语音转文字、文字转语音、音效、音乐生成、实时语音、内容审核、图像生成与编辑、视频生成等能力清单，以及按模型计价器对 token、图像、视频秒数、语音字符与音频时长的成本估算方式。
★ 1 · 开发框架
原文发布：未知收录：2026-10-16
综合合集
mokuyoaxis/dsh-iris · Media generation and visual understanding for DeepSeek Harness, with multi-provider routing and the integrated Iris workbench.
Iris Media 是面向 DeepSeek Harness 的多模态生产运行时，以 DSH 插件和独立 headless CLI 两种形式提供图像生成、视频生成（文生视频/图生视频/S2V 数字人）、音乐生成、语音合成与音频转写、看图问答、长图 OCR、目标定位、裁剪、像素差异、视频抽帧与多模态摘要等能力。它通过多供应商模型池按“供应商 + 模型”为每项能力分配候选模型，生成作品由共享 Core 以 Task/Artifact 管理，支持异步任务跟踪、重启恢复与作品导出；内置 Iris 工作台用于配置、任务管理和统计，并在对话输入区提供提示词优化入口。项目提供离线诊断 Doctor、随包三项 Agent Skills 以及多份协议与安全文档。
展开详情收起详情：Iris Media for DSH：为 DeepSeek Harness 提供多模态媒体生成与视觉理解的插件与 CLI⌄
程序员在开发工作中通过 DSH 插件或 headless CLI 调用图像生成、视频生成、音乐生成、语音合成与转写、看图问答、长图 OCR、目标定位、裁剪、像素差异、视频抽帧与多模态摘要等能力，并借助随包三项 Agent Skills 指导单步媒体操作、多步骤创作与界面截图验收。
产品经理用于产品界面还原与截图验收：通过 iris-verify-ui Skill 对比当前截图和参考图，定位偏差并给出有证据的结论，区分通过、部分通过、失败和证据不足。
★ 8 · 可直接使用的工具
原文发布：未知收录：2026-10-15
工具
nirholas/vision-mcp · Let any AI agent see — analyze and describe images through the three.ws vision pipeline. Free NVIDIA NIM VLMs first, with an automatic server-side paid backstop. Pass an image URL or base64 and get a structured, natural-language read. Read-only, no key required.
vision-mcp 是一个基于 Model Context Protocol 的服务器，让任意 AI 助手通过 stdio 获得图像理解能力。传入公开 URL 或 base64 图片，即可进行视觉问答、OCR 读图、图像分类、3D/虚拟形象渲染评价，或生成替代文本（alt text）与说明文字。请求由 three.ws 视觉流水线处理，优先使用免费的 NVIDIA NIM 视觉模型，失败时自动回退到服务端付费模型；调用方无需付费也无需提供密钥，接口只读、会按 IP 限流，可选提供 three.ws API Key 提高限额。
展开详情收起详情：vision-mcp：为 AI Agent 提供图像理解能力的 MCP 服务器⌄
程序员通过 MCP 服务器为 AI 编程助手增加图像理解能力，可读取截图中的文字（OCR）、识别场景内容，或评价 3D/虚拟形象渲染效果，辅助排错与技术文档处理。
产品经理借助 AI 助手对图片进行视觉问答、分类，并生成替代文本或说明文字，用于整理原型截图或图像素材的说明。
★ 1 · 可直接使用的工具
原文发布：未知收录：2026-10-12
工具
tvedeshkumar-blip/SAT-QUERY-AI · SatQuery AI is an evidence-based agentic AI for multi-modal remote sensing of Optical, SAR, and time-series satellite data. It picks relevant models, combines evidence, detects evidence conflicts, and starts focused re-analysis for dependable results. The system provides evidence-based, explainable, confidence-aware, and traceable solutions.
SatQuery AI 是一个面向地球观测（EO）卫星图像分析的多模态视觉语言智能体系统，覆盖光学、SAR 与时序卫星数据。它支持单幅图像的地表覆盖 VQA、密集地形描述与像素级视觉定位，支持双时相变化检测与变化 VQA，并可将光学光谱反射与 SAR 微波后向散射进行跨模态融合，以在云层遮挡下区分水体与城市结构。系统提供带任务路由与执行轨迹追踪的智能体控制器，保留 GeoTIFF 坐标参考系与光谱指数（NDVI、NDWI、CIR、SAR dB 滤波）。在模型层面采用惰性加载的专业适配器与显式回退层级（如 Florence-2-base、OWL-ViT、BIT-CD 以及 Gemini 2.5 Flash），并强调不编造指标：未校准置信度明确标注为不可用，每次响应返回模型来源与回退信息。
展开详情收起详情：SatQuery AI：基于证据的多模态遥感卫星图像分析智能体⌄
程序员作为可复用的多模态遥感分析智能体系统，供程序员在开发地球观测卫星图像分析应用时参考其解耦的多层架构、任务路由与执行轨迹追踪、模型惰性加载与显式回退层级（Florence-2-base、OWL-ViT、BIT-CD、Gemini 2.5 Flash）以及证据与溯源返回机制。
★ 0 · 研究实现
原文发布：未知收录：2026-10-12
工具
auRose94/base9-quantization · Base-9 (ninths-grid) model quantization: the K9 codec, measured frontiers vs GGUF/NF4, and a parser-verified Godot 4 coder fine-tune
该项目提出并实现了一种基于九进位数（ninths / base-9）重复基权重量化网格的模型压缩格式，允许熵编码在 2 的幂量化档位之间滑动。仓库提供真实的 .k9 容器、可原生加载该格式的 llama.cpp 分支、C 语言 rANS 编解码器，以及在被验证的 Godot 4 解析器语料上训练的编码器微调模型（QLoRA）。README 记录了在 Qwen2.5-Coder 1.5B/7B/14B 上的后训练量化测量结果，包含与 GGUF / NF4 的对比，同时也记录了失败与零结果。
展开详情收起详情：base9-quantization：九分之格（base-9）模型量化格式与 llama.cpp 运行时的研究与实现⌄
程序员程序员可将该仓库作为模型量化与本地推理的参考实现：仓库提供真实的 .k9 容器、可原生加载该格式的 llama.cpp 分支、C 语言 rANS 编解码器，以及在 Godot 4 解析器语料上训练的编码器微调模型（QLoRA），可用于在消费级硬件上以更小文件部署近无损的本地模型，并参考其量化评测方法（配对窗口、噪声下限、侧信息核算）。
★ 0 · 研究实现
原文发布：未知收录：2026-10-12
工具
palamas86/seedance-2-ai · 🎥 Generate AI-driven videos with Seedance 2.0, offering precise physics, lip-sync, and prompt accuracy for seamless content creation.
该项目是一个易用的 AI 视频生成应用，据 README 称源自字节跳动（亦称为 Oriental Skylark），支持文本转视频、图片转视频、音频唇形同步以及物理效果模拟，并提供 API 供二次集成。README 将其定位为 Sora、Kling AI 等 AI 视频工具的替代方案，面向营销团队、教育工作者和视频爱好者等希望快速生成视频内容的用户。
展开详情收起详情：seedance-2-ai：基于 Seedance 2.0 的 AI 视频生成工具⌄
程序员通过项目提供的 API 将 AI 视频生成能力集成到其他软件中，供开发者进行二次集成。
★ 3 · 可直接使用的工具
原文发布：未知收录：2026-10-11
工具
everettjf/ezjev · Open 4B typed-decision model (Jev-style /v1/systemone): calibrated per-option probabilities from one prefill. Training, data generation and eval pipeline on HF Jobs.
ezjev 是一个基于 Qwen/Qwen3.5-4B 的 Jev 风格带类型决策模型项目，支持 choice / noul / score 三类决策，并为每个选项输出经过校准的概率。项目包含训练、数据生成与评测流水线，可在 Hugging Face Jobs 或 Colab 上运行，并附带 Jev Decision Index 与 JevBench 两个榜单的提交结果与自测数据。代码采用 MIT 许可，但训练数据与模型权重的许可情况需另行确认，部分数据仅限非商业使用。
展开详情收起详情：ezjev：训练并评测 Jev 风格带类型决策的 4B 概率模型⌄
程序员用于训练、数据生成与评测带类型决策的概率模型：基于 Qwen/Qwen3.5-4B 做 LoRA 微调，支持 choice / noul / score 三类决策并为每个选项输出校准概率，包含训练、数据生成与评测流水线，可在 HF Jobs 或 Colab 上运行。
★ 1 · 研究实现
原文发布：未知收录：2026-10-10
工具
Ponlawat/ComfyUI-LTXVideo · 🎥 Enhance video generation with ComfyUI-LTXVideo by leveraging custom nodes for the LTX-2 model, improving your creative workflows today.
ComfyUI-LTXVideo 是一个面向 ComfyUI 的自定义节点项目，借助 LTX-2 模型增强视频生成流程，支持从图像或文本生成视频，并提供分辨率、时长、转场与特效等可调参数以及生成前预览。README 主要介绍安装步骤与图形界面操作方式，面向希望以较低技术门槛制作视频的创作者。
展开详情收起详情：ComfyUI-LTXVideo：为 ComfyUI 提供 LTX-2 视频生成自定义节点⌄
程序员作为 ComfyUI 的自定义节点项目，程序员可将其集成到基于 ComfyUI 的视频生成工作流中，通过 LTX-2 模型实现图像或文本到视频的生成，并调整分辨率、时长、转场与特效等参数。
★ 3 · 可直接使用的工具
原文发布：未知收录：2026-10-06
工具
jaredpalmer/kev · Jev-like family of decision models built on top of Qwen3.5/3.8 you can train and run on your own
Kev 是一组基于 Qwen3.5/3.8 构建的小型决策模型（0.8B、4B、9B、27B），用于在同一请求中回答是/否、单选和评分类问题，并输出经校准的概率分布。项目提供预训练权重与本地训练流程，支持在自己的标注数据上微调、在 CUDA/Apple Silicon 上本地推理，并能通过 Modal 一键部署为 HTTPS 端点；其 API 与 TypeSafe System One 兼容，现有 Python SDK 可直接迁移使用。
展开详情收起详情：Kev：可自行训练与部署的轻量决策模型家族⌄
程序员作为可本地训练和部署的决策模型，用于在代码中通过 API 对文本做是/否、单选和评分判断，例如工单分类、升级判断和情绪评分；也可用 Python SDK 调用本地服务，或微调后部署为 HTTPS 端点。
产品经理用于对用户反馈或工单文本做结构化判断，例如按部门分类、判断是否需要人工升级、评估用户情绪强度，并输出概率分布以支持分流决策。
★ 8318 · 模型
原文发布：未知收录：2026-10-03
工具
Shortiaallurement927/ComfyUI-MiniMaxH3-Director
这是一个在 ComfyUI 内使用的视频生成时间线编辑器，面向 MiniMax H3 模型。它支持分镜提示词编排、首尾关键帧设置、图像/视频/音频素材引用、联合音频同步、实时采样预览以及重拍与镜头串联，帮助用户以时间线方式组织和生成连贯视频。项目为 JavaScript 编写，要求预先安装 ComfyUI，未说明是否免费或可商用（README 中许可证信息前后不一致）。
展开详情收起详情：ComfyUI-MiniMaxH3-Director：用于 MiniMax H3 视频生成的时间线编辑器⌄
程序员在 ComfyUI 中通过时间线编辑器编排分镜提示词、设置首尾关键帧、引用图像/视频/音频素材并预览视频生成结果，用于视频生成相关的开发与调试工作。
★ 1 · 可直接使用的工具
原文发布：未知收录：2026-10-01
工具
beeracs/Llama · Run Llama models in your web browser using JavaScript and WebAssembly. Explore light and dark modes easily. 🌐🐱👤
Llama 是一个基于 JavaScript 和 WebAssembly 的浏览器端 AI 聊天机器人项目，用户无需安装即可在现代浏览器中打开页面并与 Llama 模型对话。它提供简洁的聊天界面、多种可选角色以及明暗主题，README 说明其使用 HTML/CSS 构建前端，并借助 WebAssembly 提升运行性能。项目以 MIT 许可证开源，鼓励社区贡献，未来计划加入多语言支持、更强的 AI 能力以及移动端适配。
展开详情收起详情：Llama：在浏览器中运行 Llama 模型的网页聊天机器人⌄
程序员在浏览器中直接运行 Llama 模型进行对话，可用于本地测试聊天机器人交互或作为前端 AI 聊天界面的参考实现。
★ 0 · 可直接使用的工具
原文发布：未知收录：2026-09-25
综合合集
api-evangelist/minimax-ai · MiniMax — independent third-party profile of a public API surface, by API Evangelist. MiniMax is a Chinese foundation model company offering full-stack multimodal APIs: text generation (M2.7, M2.5, M2.1, M2, M1, Text-01), speech synthesis (Speech 2.8/2.6/2.5), voice cloning, voice design, image generation (Image-01), video generation (Hailuo 2.3),
该仓库由 API Evangelist 维护，是一份针对 MiniMax 公开 API 表面的独立第三方资料汇编，而非 MiniMax 官方 API 本身。内容涵盖文本生成（M2.7、M2.5、M2.1、M2、M1、Text-01）、语音合成（Speech 2.8/2.6/2.5）、声音克隆、音色设计、图像生成（Image-01）、视频生成（Hailuo 2.3）与音乐生成（Music-2.6），并附有 OpenAPI 描述、Postman 集合、定价与速率限制等机器可读资料。仓库本身不含任何软件，仅供了解与查阅该 API 的公开文档与规范。
展开详情收起详情：MiniMax AI：第三方整理的 MiniMax 多模态生成 API 资料档案⌄
程序员查阅 MiniMax 多模态生成 API 的公开文档与规范（OpenAPI 描述、Postman 集合、定价与速率限制等机器可读资料），用于了解文本生成、语音合成、图像生成、视频生成与音乐生成等接口的公开 API 表面，辅助接口对接与集成设计。
产品经理通过该资料汇编了解 MiniMax 公开 API 的多模态能力范围（文本、语音、图像、视频、音乐生成）及定价与速率限制信息，用于评估可集成的 AI 能力与产品方案调研。
★ 2 · 资料合集
原文发布：未知收录：2026-09-24
工具
TIGER-AI-Lab/VLM2Vec · This repo contains the code for "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026], and "MMEB-V3" [COLM 2026]
VLM2Vec 是 TIGER-AI-Lab 开源的视觉语言嵌入项目，包含 VLM2Vec 模型及其配套 MMEB、MMEB-V2、MMEB-V3 多模态嵌入评测基准。项目提供基于 Qwen2-VL 等骨干的指令引导对比学习训练流程，支持图像、视频、视觉文档的嵌入学习，并扩展到音频、文本检索与 Agent 类任务；同时提供数据集准备脚本、DDP 评测入口和 YAML 配置方式，用于多模态检索嵌入的研究与基准测试。
展开详情收起详情：VLM2Vec：多模态嵌入模型的统一训练与评测框架⌄
程序员用于多模态检索嵌入模型的研究与基准测试：按 YAML 配置训练/评测视觉语言嵌入模型，使用 DDP 多 GPU 评测入口在 MMEB 系列基准上评估图像、视频、视觉文档等检索任务。
★ 686 · 开发框架
原文发布：未知收录：2026-09-23
工具
cactus-compute/needle · Automation foundation model for tiny devices: 2-bit, 8-29 MB, tool calls, structured extraction and embeddings on phones, wearables, smart homes, robots, cars and microcontrollers.
Needle 是 Cactus Compute 推出的面向手机、可穿戴设备、机器人、智能家居、汽车和微控制器的端侧基础模型。整个模型是单个 8-29 MB 的二进制文件，基于 Simple Attention Network，牺牲通用聊天能力，换取在移动端工具调用上超越体积大 10 倍的模型，并在结构化抽取上比肩 2-3 倍大的模型。它支持工具调用、结构化抽取和文本嵌入，逐 token 受字节级语法约束，每次响应附带校准后的置信度分数。项目提供 Python 包、预构建的部署引擎、本地微调工具以及多篇使用指南。
展开详情收起详情：Needle：面向微型设备的端侧自动化基础模型⌄
程序员在移动端或端侧应用中集成工具调用与结构化抽取能力：通过 @needle.tool 装饰器定义函数，模型根据用户输入选择工具并填充参数，agent.run() 执行函数并返回结果；也可声明数据形状从杂乱文本中抽取类型化字段，用于发票、预订、通知、表单等场景。
产品经理评估端侧 AI 能力用于产品规划：该模型面向手机、可穿戴设备、机器人、智能家居、汽车和微控制器，支持工具调用、结构化抽取和文本嵌入，可用于判断在本地设备上实现自动化交互与数据抽取的可行性。
★ 11890 · 模型
原文发布：未知收录：2026-09-21