即插即用的多目标跟踪（MOT）Python库，提供SORT和ByteTrack等经典算法的模块化实现。采用检测器无关设计，可配合任意目标检测模型（YOLO、DETR等）使用，支持视频文件、摄像头、RTSP流等多种输入源。提供统一CLI工具与Python API，内置CLEAR、HOTA、Identity等标准MOT评估指标计算功能。

多模态深度学习SDK

查看详情 →

清华大学THUNLP推出的端到端全能多模态大模型，支持视觉理解、语音对话和全双工多模态实时流交互，性能接近Gemini 2.5 Flash，可在手机端高效运行。

大语言模型多模态Transformers

查看详情 →

Stream公司开发的开源视觉智能体框架，支持任何模型或视频提供商，通过Stream的边缘网络实现超低延迟，帮助开发者快速构建视觉AI应用。

智能体与应用工具PythonPyTorch

查看详情 →

Odyssey是一个基于大型语言模型的Minecraft智能代理框架，包含40种基础技能和183种组合技能，使AI能够在开放世界中自主探索、学习并执行多样化任务。

智能体与应用工具PythonLangChain

查看详情 →

一个使用多模态大语言模型优雅解决 hCaptcha 验证码挑战的项目，不依赖用户脚本或第三方验证码服务。

智能体与应用工具Python多模态

查看详情 →

一个基于强化学习的马里奥AI环境，提供可训练的智能体来玩超级马里奥游戏。

智能体与应用工具PythonPyTorch

查看详情 →

在终端中运行的AI助手，具有本地工具功能：编写代码、使用终端、浏览网页、视觉识别等能力，是ChatGPT和Cursor的本地替代品。

智能体与应用工具PythonAI代理

查看详情 →

由字节跳动开发的开源多模态 AI 智能体（Agent）堆栈，包含通用智能体框架 Agent TARS 和桌面客户端 UI-TARS Desktop，通过视觉语言模型实现基于自然语言的计算机控制、浏览器自动化及 CLI 交互。

智能体与应用工具TypeScriptNode.js

查看详情 →

VoxCPM 是一个基于连续空间建模的端到端文本转语音（TTS）系统。它摒弃了传统的离散 Token 化方法，支持根据文本语境自动生成富有表现力的语音，并能通过极短的参考音频实现逼真的零样本声音克隆，适用于高质量的语音合成与配音场景。