FunASR 是一个旨在连接学术研究与工业应用的语音识别工具包。它支持工业级语音识别模型的训练与微调，帮助研究者和开发者更方便地进行语音识别模型的研究与生产，推动语音识别生态的发展。FunASR 提供了丰富的预训练模型和便捷的脚本与教程，支持推理和微调，涵盖语音识别、语音活动检测、标点恢复、语言模型、说话人验证、说话人分离等多种功能。
TecoGAN是一个用于视频超分辨率的生成对抗网络（GAN），专注于生成具有时序一致性的高分辨率视频。该项目由慕尼黑工业大学的研究团队开发，旨在通过自监督学习提升视频生成中的时间连贯性。项目提供了推理、训练和下载训练数据的代码，并包含预训练模型。TecoGAN的生成能力在细节持久性和时空一致性方面表现出色，能够生成长时间保持细节的视频序列。
Rembg 是一款开源工具，专注于快速且精确地从图片中移除背景。它支持多种输入输出格式，可以作为命令行工具、库或Docker容器使用。Rembg 提供了多种预训练模型，适用于不同的使用场景，如人像分割、动漫角色分割等。它还支持GPU加速，适用于大规模图像处理任务。
EasyAnimate是阿里云人工智能平台PAI自主研发的基于DiT的视频生成框架，提供了从视频数据预处理、VAE训练、DiT训练、模型推理到模型评测的完整高清长视频生成解决方案。支持多种分辨率和帧率的视频生成，适用于文本到视频、图像到视频、视频到视频等多种生成任务。
GenWarp是一种从单张图像生成不同视角新图像的方法。它能够在保留原始图像重要信息和细节的同时，生成视角变化后的图像，确保信息不会丢失或扭曲。该项目提供了模型的推理代码，用户可以通过输入图像和相机姿态生成新视角图像。
STAR是由南京大学、字节跳动、西南大学联合推出的创新视频超分辨率框架，旨在从低分辨率视频生成高分辨率视频，同时保持细节清晰度和时间一致性。该项目整合了强大的文本到视频扩散模型，增强了视频的空间细节和时间建模能力。STAR引入了局部信息增强模块（LEM），在全局注意力块之前丰富局部细节，减轻复杂退化引入的伪影问题。此外，STAR还推出了动态频率（DF）损失，引导模型在不同扩散步骤中关注不同频率成分，从而提高恢复保真度。
PyTorch Image Models (timm) 是一个 PyTorch 图像模型集合库，旨在为研究人员和开发者提供丰富的、预训练的图像编码器和骨干网络，方便快速构建和实验各种计算机视觉应用。timm 库不仅提供了模型架构，还包含了训练和验证的技巧，支持多种优化器，并提供了灵活的配置接口。它包含了广泛的模型，如ResNet、EfficientNet、ViT、MobileNet等，这些模型在ImageNet数据集上接受了预训练，可以针对特定的应用程序进行微调。
Bunny是一个轻量级但功能强大的多模态通用框架，兼容Llama、Qwen2、Phi3等多种大模型。它主要用于图文双模态的训练，支持多种主流视觉模型和大语言模型。Bunny的架构包括视觉编码器（Vision Encoder）、跨模态投影器（Cross Modality Projector）和大语言模型（Large Language Model）。通过特殊的token `` 来定位图像嵌入的位置，并将图像和文本模态的嵌入维度对齐，从而实现多模态融合。Bunny还提供了多种预训练模型和训练教程，支持高分辨率图像处理，并在多个基准测试中表现出色。
Timm是一个开源的计算机视觉库，专注于提供高效且易用的深度学习模型，涵盖了图像分类、目标检测、语义分割等任务，支持多种预训练的模型，广泛应用于各类视觉任务。
L1 是一个利用强化学习技术来控制推理模型思考时间的项目，旨在提高AI推理的效率。通过动态调整推理时长，L1能够优化模型在不同任务中的表现，同时支持多种数据集和模型训练。项目还提供了预训练模型，方便用户快速集成到现有AI系统中。
astroNN是一个基于TensorFlow构建的深度学习库，专门为天文学家设计。它提供了丰富的预训练模型，适用于各种天文学任务，并支持高性能计算。astroNN还支持天文学数据的预处理和增强，易于集成到现有的天文学研究流程中，帮助天文学家更高效地处理和分析复杂的天文数据。
GIDD（广义插值离散扩散）是一个新颖的框架，专门用于训练离散扩散模型。它通过结合掩码和均匀噪声来提升生成样本的质量，并具备自我纠错功能，能够自动修正生成过程中的错误。此外，GIDD提供了多种预训练模型，用户可以快速上手并进行生成任务。
few-shot是一个基于PyTorch实现的小样本学习机器学习项目仓库。它提供了一个模块化和可扩展的框架，支持多种小样本学习任务，如分类和回归。项目包含预训练模型和数据集，便于快速实验，并提供数据加载、预处理和评估的实用工具。
PaddleDetection_YOLOSeries是一个基于PaddleDetection框架的YOLO系列模型库，支持多种YOLO模型，包括PP-YOLOE、YOLOv3、YOLOX、YOLOv5、MT-YOLOv6和YOLOv7。该项目提供了高效的目标检测解决方案，易于集成和扩展，适用于各种应用场景。此外，它还提供了预训练模型，方便用户快速部署和进行模型微调。
本项目旨在探索复杂性与智能的边界，通过简单的元胞自动机规则训练出更聪明的AI。通过不同复杂度的模式训练，找到智能涌现的最佳平衡点，并在逻辑推理和棋类预测等任务中表现卓越。项目提供完整的预训练和下游任务代码，方便复现和拓展。
Chinese-CLIP是CLIP模型的中文版本，使用大规模中文数据（约2亿图文对）进行训练，旨在帮助用户快速实现中文领域的图文特征计算、图文相似度计算、跨模态检索、零样本图片分类等任务。项目支持多种中文跨模态任务，提供预训练模型以便于集成和使用。
该项目通过引入词汇捷径机制，旨在拓宽神经机器翻译中的表示瓶颈，从而提升翻译模型的性能。它基于Transformer架构，优化了模型的表示能力，支持多种语言的机器翻译任务，并提供了预训练模型和训练代码，便于复现和扩展。
Fast3R是一个旨在通过单次前向处理实现1000+张图像的3D重建的项目，使得大规模3D重建变得轻松高效。
simplicial-embeddings 是一个基于 Pytorch Lightning 的自监督学习库，专注于视觉表示学习。它提供了多种自监督学习方法，并集成了 Pytorch Lightning 的易扩展性和集成性。该库还包含预训练模型，便于快速部署和应用。
openpi是一个开源的机器人模型和工具包，旨在实现智能视觉、语言和动作的一体化。它提供多种预训练模型和微调示例，支持多种机器人平台，如ALOHA和DROID。项目具备高参数模型，支持复杂的物理操作任务，适用于家庭自动化、物理智能研究以及复杂操作算法的开发和测试。
ViLMedic是一个模块化框架，专门用于医学领域的视觉和语言多模态研究。它提供了预训练模型，并实现了多种医学图像和文本任务的解决方案，包括医学问答、放射学报告生成和总结，以及自监督学习等。
LayerTracer是一款认知对齐的分层SVG合成工具，通过扩散Transformer技术实现高效设计。它支持文本到序列和图像到序列的生成，提供多种预训练模型，涵盖4格和9格图标生成，并配备简单易用的命令行工具，能够快速将设计转化为SVG格式。
PaddleNLP是一个开源的自然语言处理工具包，集成了ERNIE 3.0等预训练模型，支持零代码实现文本生成、信息抽取等多种任务，中文任务的F1值可达92.1%。
Focoos AI 提供的高效、可定制的计算机视觉开发平台，包括一个强大的 SDK，用于帮助开发者和企业快速选择、定制、测试和部署适合各种数据、应用和硬件的先进模型。
AnyModal是一个基于PyTorch的灵活多模态语言模型框架，支持轻松集成图像、音频等多种输入模态。它提供了模块化的架构设计，便于添加新的输入模态处理器和分词器，并拥有丰富的预训练模型库。AnyModal框架将多种输入模态直接融入大语言模型，适用于多模态数据的复杂任务。
Meta AI推出的统一音频质量评估工具，能自动评估语音、音乐和声音的质量。
本项目通过扩散模型解决多机器人在复杂环境中的路径规划问题，旨在提高机器人团队的协作效率。提供预训练模型和数据集，用户可以快速上手，并支持多种地图和场景的适应，满足不同需求。
TensorFlow Similarity是一个专注于快速简化相似度学习的Python包，旨在促进相似度和度量学习的开发与应用。
Transformers和相关的深度网络架构在此进行了总结和实现，涵盖了自然语言处理和计算机视觉等多个领域。
360LayoutAnalysis是一个文档版式分析模型和数据集，专注于自动化文档处理和信息提取，提供高效的解决方案以支持多种文本、表格和图像的识别任务，具有良好的可扩展性和适应性，适用于不同类型的文档。
