OmAgent开源项目 – 多模态智能体系统

HiChatbot是一个基于AI的聊天机器人，可以回答您关于文档、文本、网页或视频文本的提问。只需上传文档、文本，或提供网页链接和视频链接，HiChatbot就能通过聊天界面与您进行问答对话。

Pyttipanna是一个为Pytti 5提供接口的框架，旨在利用机器学习模型创建和渲染视频。用户可以通过结构化、叙述和实验化视频创作的提示来实现自己的创意。

Contentfries是一款特殊的内容再利用应用，允许用户将视频快速转化为数周的引人入胜的内容，帮助用户建立更大的受众群体和更强的品牌。

Latte是一个先进的AI视频编辑器，专为社交媒体内容创作者设计，简化视频制作过程，自动生成字幕，优化长视频为短片，节省时间和成本。

SendShort是一个利用人工智能技术，将长视频或短视频转换为引人注目的短视频的平台。用户可以轻松导入视频，进行编辑和裁剪，并安排社交媒体发布，旨在帮助内容创作者、视频编辑、营销机构和电商品牌等提高视频的传播效果。

Devalo AI 是一款先进的人工智能助手，能够处理多种任务，包括回答问题、提供建议，以及进行有趣的对话。它利用先进的机器学习算法，为用户提供高效的服务。

紫东太初2.0是由武汉人工智能研究院、中国科学院自动化所和华为公司联合研发的新一代多模态大模型平台，基于昇腾AI和MindSpore AI框架。它从全球首个图文音三模态大模型升级而来，旨在建设中国通用人工智能智能基础，加速认知智能时代的发展。平台支持文本、图像、视频、音乐、音频、3D和信号等多种模态，功能涵盖文本创作、图像生成、视频理解、音乐处理、3D场景描述和信号分析等。

Grunt是Open AI的GPT-4模型，它通过学习您选择的Slack频道的历史记录，帮助完成各种任务，从新员工入职指导到记忆服务时间线，消息费用仅为每条5美分。

Qwen Chat 是由 Alibaba Cloud 开发的对话 AI 平台，可能是“通义千问”的海外版本，使用 QwQ-32B 模型。它提供全面的 AI 功能，包括聊天机器人、图像和视频理解、图像生成、文档处理、网络搜索集成和工具利用等，旨在满足用户在对话、内容生成和数据处理等多方面的需求。

LangGraph Supervisor 是一款基于 Python 的库，专为构建分层多智能体系统而设计。它集成了 LangGraph 框架，支持流式处理、记忆功能和人类参与，适用于多智能体协作场景。通过灵活的消息历史管理和多层级架构，用户可以轻松创建和管理复杂的多智能体系统，优化 Agent 间的消息传递和对话流程。

SlowFast-LLaVA是苹果开源的一个用于视频理解和推理的免训练多模态大型语言模型。该模型无需任何数据微调即可直接应用于视频理解任务，并且在多种视频问答任务和基准测试中表现优秀，可媲美或优于最先进的视频LLMs。它适用于多种多模态任务，如视频问答、视频生成、视频分类等，是视频理解和推理任务的强基线模型。

Gemini 2.0 是Google开发的多模态AI模型，专注于图像处理和生成，支持通过自然语言指令进行图像编辑。它能够保持编辑的一致性，并支持创意编辑，如组合不同图像或选择特定区域进行编辑。此外，它还具备音频输出、视频理解等功能，适合构建AI代理。

Gemini是谷歌最大的AI模型，旨在通过加速人类进步和改善生活给人类和社会带来巨大利益。它在多个领先基准上表现出色，支持不同尺寸的优化：Ultra、Pro和Nano。Gemini从零开始构建为多模态，能够理解、操作和结合文本、代码、音频、图像和视频等不同类型的信息。

Qwen2.5-VL是一款功能强大的多模态语言模型，擅长视觉-语言任务，具备增强的文档解析、物体定位和视频理解能力。

OpenManus是一个开源项目，旨在让开发者能够轻松访问、修改和扩展Manus的功能。它无需邀请码，打破AI封闭生态，提供快速上手的体验。项目集成了多种成熟技术，包括大型语言模型（LLM）、AI Agent、计算机/浏览器使用、图像/视频理解、爬虫等，通过产品思维和工程集成，提供高效、智能的解决方案。

PocketFlow是一个用于构建智能体、任务分解、RAG等任务的极简LLM框架，仅100行代码。它去除了现有框架中繁琐的低级细节，让LLM专注设计程序整体架构和高级逻辑，利用节点、流程和通信等概念来构建应用，支持复杂的任务分解和流程管理，适合快速原型开发。

VILA 是一个开源视觉语言模型 (VLM) 系列，旨在优化效率和准确性，适用于边缘、数据中心和云计算环境。它采用交错图像-文本预训练方法，支持多图像处理，并具有强大的上下文学习能力，能够快速学习新概念。VILA 在视频理解、多图像推理等任务中表现出色，广泛应用于研究和工业领域。

Unified Video Action Model 是一个专注于视频与动作建模的项目，旨在帮助机器人理解视频内容并预测后续动作。通过两阶段的训练方法，先进行视频生成，再进行动作预测，从而实现更优的效果。该项目支持多种模拟与真实机器人任务，涵盖了PushT、Libero10等数据集，并提供了Colab笔记本，方便用户快速上手体验。

Qwen2.5VL 是阿里巴巴 Qwen 系列的最新旗舰视觉语言模型，专注于图像、文本和视频的多模态理解与识别。该模型在视觉代理、视频理解和文档解析等方面表现出色，支持层级定位、JSON 格式输出和秒级事件定位。Qwen2.5VL 能够处理超过 1 小时的视频，适用于安防、教育、商业和娱乐等多个领域。

Video-R1是一个为视频理解任务带来超强推理能力的多模态大模型。它首次在视频理解领域实现了准确率和推理长度的双重提升，使用7B参数模型，训练900步仅需10小时。通过强推理数据集的助力，Video-R1能够涌现出深度思考能力，为视频理解任务提供了强大的支持。