OmniSealBench开源项目 – 神经网络水印基准测试平台

D2 是一种现代的图表脚本语言，能够将文本转换为高质量的图表。它支持多种图表类型，如流程图、时序图、架构图等，语法简洁，易于学习和使用。D2 具有高度可定制化特性，支持自定义主题和样式，并且与多种平台和工具集成，如GitHub，便于版本控制和协作。D2 是一个开源项目，拥有活跃的社区支持。

Chatbox是一个为ChatGPT、Claude等大型语言模型提供更好用户界面和桌面应用的工具，支持Windows、Mac、Linux和网页版本，旨在提升工作和学习的效率。

zLib-Web是一个用于自建搜索应用的开源项目，提供了多个相关源码，便于用户根据自己的需求进行定制和部署。

Open-R1-Multimodel是基于Huggingface的Open-R1和deepseek-ai/DeepSeek-R1实现的多模式R1模型。它集成了Qwen2-VL系列、Aria-MoE等VLM transformers，并开源了首批8k专注于数学推理的多模态强化学习训练示例。数据由GPT4o创建，具有推理路径和可验证答案，基于Math360K和Geo170K数据集。

CognAgent 是一个基于18亿参数的视觉语言模型（VLM），专注于图形用户界面（GUI）的理解和导航。它支持高分辨率图像（1120x1120像素），能够识别文本、图标、按钮等元素，并根据用户指令执行点击、滑动、输入等操作。CognAgent在多个跨模态基准测试和GUI操作数据集上表现出色，支持中文和英文双语交互，并且是一个开源项目。

MeloTTS 是由 MIT 和 MyShell.ai 开发的高质量多语言文本转语音（TTS）库，支持多种语言和口音，包括英语、西班牙语、法语、中文、日语和韩语。它通过优化的算法和模型，提供清晰自然的语音合成体验，支持中英混合发音、实时 CPU 推理，并且易于安装和使用。

llm_processes 是一个让自然语言驱动的数值预测变得简单高效的项目。它支持多种主流LLM，提供丰富的实验模板，并且易于扩展，只需修改`hf_api.py`即可添加新的LLM。项目涵盖1D合成数据、黑箱优化、多任务回归等多种应用场景，帮助用户通过自然语言轻松实现复杂的数值预测任务。

E2M是一个强大的开源工具，可将多种文件类型如doc、docx、epub、html、htm、url、pdf、ppt、pptx、mp3、m4a等转换为Markdown格式，便于数据检索增强生成（RAG）及模型训练或微调，支持自定义配置，易于安装和使用。

gptcommit 是一个开源工具，专门用于生成 Commit log，能够通过快速理解代码逻辑和 diff 来归纳出概要，帮助开发者更好地管理版本控制。

MiniMind 是一个开源 AI 项目，旨在从零开始，以极低的成本和极短的时间训练出超小语言模型。项目涵盖了从数据集清洗到模型训练的全过程，并提供了多种先进的算法和模型结构。通过仅需 3 块钱成本和 2 小时，即可训练出 25.8M 的超小语言模型，最小版本体积是 GPT-3 的 1/7000，适合普通个人 GPU 快速训练。项目还拓展了视觉多模态的 VLM: MiniMind-V，所有核心算法代码均从 0 使用 PyTorch 原生重构，不依赖第三方库提供的抽象接口。这不仅是大语言模型的全阶段开源复现，也是一个入门 LLM 的教程。

Together AI是一个领先的云平台，专为生成式AI设计，提供超快、可扩展和高效的AI模型构建、部署和优化解决方案。它包含多个产品，如Together Inference、Together Fine-tuning、Together Custom Models和Together GPU Clusters，适用于个人开发者和大型企业。

Vlogger是一个通用的人工智能系统，专门用于生成用户描述的一分钟级视频博客(vlog)。该系统利用大型语言模型(LLM)作为导演，将vlog的长视频生成任务分解为四个关键阶段，从而突破现有视频生成方法的瓶颈，提升生成效率和质量。

Lagent是一个专为轻量AI代理设计的开源框架，旨在为开发者提供高效构建智能代理的工具。它通过简化的架构支持快速开发与部署，特别适用于资源受限场景。Lagent支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。

MME-CoT是一个为多模态大模型提供全面推理能力评估的基准测试工具。它覆盖了数学、科学、OCR等六大领域，通过提出三项新指标，深度剖析模型的推理质量、鲁棒性和效率，揭示模型在视觉推理任务中的表现，从而助力多模态模型的发展。

RefAug是一种用于反思和思维链的合成数据增强方法，旨在通过将问题反思和思考嵌入到以数学为重点的训练数据中，提高模型的推理能力。该方法通过生成替代推理和后续推理，将反思整合到训练示例中，从而增强模型在数学任务和编码任务中的表现。