MMSegmentation开源项目 – 基于PyTorch的语义分割工具箱

Kbin 是一个类似 Reddit 的模块化的、分散的内容聚合器和微博客平台，运行在 Fediverse 网络上，支持多种活动协议，允许用户自定义内容聚合方式，增强数据隐私和安全性。

21st是为设计工程师打造的npm，汇集了最佳的shadcn UI风格React Tailwind组件、模块和钩子，帮助开发人员快速构建高质量的用户界面。

Trapper是一个旨在更轻松地在下游任务上训练基于Transformer的模型的NLP库，采用模块化设计，提供一致的API，支持多种下游任务，能够实现最先进的NLP性能。

PIKE-RAG是微软开源的一个专注于提取和应用专业领域知识的增强生成系统，旨在解决传统RAG在处理专业领域知识时的局限性。该系统通过构建连贯的推理逻辑，逐步引导大型语言模型生成准确答案，适合处理深度领域知识和多步逻辑推理的场景。PIKE-RAG包含文档解析、知识提取、知识存储、知识检索、知识组织、以知识为中心的推理以及任务分解和协调等多个基本模块，并通过调整子模块，构建针对不同功能的RAG系统。已在医疗、工业制造、矿业等领域测试，显著提高了问答准确性，在HotpotQA数据集上准确率高达87.6%，在2WikiMultiHopQA上准确率为82.0%，在MuSiQue上准确率为59.6%。

PDF-Extract-Kit是一款功能强大的开源工具箱，旨在从复杂多样的PDF文档中高效提取高质量内容。它集成了多种主流模型，包括布局检测、公式检测、公式识别、OCR等核心任务的众多SOTA模型，适用于学术论文、教科书、研究报告和财务报表等多种文档类型。即使在扫描模糊或有水印的情况下，也能保持高鲁棒性。该工具采用模块化设计，用户可通过修改配置文件及少量代码自由组合构建各种应用，并提供全面的PDF评测基准，帮助用户选择最适合自己的模型。

GrUMoDepth 是一种通过梯度方法进行的不确定性估计，专注于单目深度估计，旨在提高深度估计的准确性和可靠性。

Meta 的应用强化学习团队带来了可投入生产的强化学习 AI 代理库，支持多种算法和高效的样本利用率，适用于不同的应用场景。

Depth Pro 是一个基础模型，用于零样本度量单目深度估计，能够在不到一秒的时间内生成清晰的深度图。它结合了真实和合成数据，利用高效的多尺度视觉变换器，提供高分辨率和准确的深度测量，适用于各种视觉任务。

Digit Plexus 是一个机器人硬件平台，旨在将传感器和末端效应器集成到一个共同的平台上，为在任何机器人手中集成触觉传感器提供标准化的硬件和软件解决方案。

atomic_agents是一个用于构建AI Agents的模块化工具箱，旨在实现高度的可扩展性和易用性。它通过最小化和单一目的的组件设计，类似于原子设计系统中的组件，提供工具和Agents的组合以创建强大的应用。该项目基于Instructor构建，并利用Pydantic进行数据验证和序列化。

metaseq是一个用于训练和评估大型序列模型的框架，旨在简化和加速大规模模型的开发过程。

Zeta是一个高性能的AI模型构建框架，采用模块化和可重用的构建块，能够比PyTorch、TensorFlow等框架快80%。它旨在提高开发效率，降低学习曲线，适合各种规模的机器学习任务。

一个用于强化学习与人工反馈（RLHF）的框架，旨在简化不同 RLHF 技术的集成，提供模块化和组合式的实验能力，适用于研究人员和实践者。该框架通过模块化设计，支持多种实验能力，灵活配置选项，方便用户根据不同需求进行调整和优化。

基于PyTorch的易于使用的增强学习框架，通过Lightning Fabric加速。该框架旨在提供一个简单且可扩展的强化学习算法框架，同时解耦强化学习算法与环境，使其能与任何环境一起使用。

Depth Anything 是一个高度实用的单目深度估计解决方案，旨在构建一个简单而强大的基础模型，能够处理任何图像并适应任何场景。该模型使用约6200万张无标签图像进行训练，涵盖多个领域和场景，展示了出色的零样本泛化能力，并在NYUv2和KITTI数据集上创下了新的最佳性能。