Opensource

smolvlm-realtime-webcam是一个基于 视觉语言模型（VLM） 的开源演示项目，它让你可以通过电脑摄像头，实时捕捉画面并用小型 AI 模型进行实时图像理解和描述。 项目完全本地运行，不依赖云服务。 - 低资源环境推理：在没有大型GPU或云服务的情况下运行多模态模型 -

HunyuanCustom 是腾讯混元团队开发的多模态定制视频生成系统，可通过文字、图片、音频或视频输入，生成具备特定人物、动作、语境和背景的视频内容。 其突出优势是： - 强身份保持能力：人物在全片中形象不变 - 高度可控性：支持细粒度定制，如谁说话、在什么场景、做什么动作

Seed-Coder 是字节跳动 Seed 团队推出的一系列 8B参数规模的开源代码大语言模型，它展示了LLM可以通过最小的人工努力有效地自主整理代码训练数据,从而大幅提高编码能力。 包含三个变体： - Seed-Coder-8B-Base：基础预训练模型 - Seed-Coder-

FastVLM（Fast Vision Language Model） 是 苹果公司开发的一种高效视觉语言模型（VLM）编码器系统。 它专注于将高分辨率图像高效转换为 LLM 可处理的视觉 token，从而大幅提升图文理解的速度与效能。 你可以把它理解为： > 📷 FastVLM：先把

字节跳动团队开源了一个深度研究框架，通过多智能体协作和工具集成，融合语言模型、搜索引擎、网页爬虫、代码执行器和多智能体协作机制，致力于将复杂研究流程自动化，并支持播客生成等多形式输出。 - 名称含义：DEER = Deep Exploration and Efficient Research

ACE-Step 是一个面向音乐生成的“基础模型”（foundation model）项目。由 ACE Studio 与 StepFun 联合开发。 它的目标不是简单生成一首歌曲，而是提供一个通用、可扩展、可控的音乐生成系统架构，可广泛应用于创作、编曲、歌词生成、人声模拟、伴奏生成、说唱AI等领域

随着AIGC技术的发展，越来越多的人开始用AI进行图片、视频的编辑和生成。以扩散模型（如Stable Diffusion）为代表的AI工具，在单张图片编辑方面已经非常成熟，但在处理**多张相关图片（如视频帧、多个视角的照片）**时，往往会出现一个大问题——一致性不足。比如： - 多张照片风格差

Dia 是由 Nari Labs 开发的一个超写实对话级文本转语音（TTS）模型，参数量为 16 亿，能够“一步生成”极为逼真的多角色对话语音。 - 可以生成极度逼真的对话并完全控制脚本和声音 - 由一个无资金的两人小团队开发 - 项目完全开源，采用 Apache 2.0 协议，权

OmniSVG 是一个用于生成高质量、可扩展矢量图形（SVG）的统一框架，基于预训练的视觉-语言模型（Vision-Language Model, VLM），旨在解决传统 SVG 生成方法在结构复杂性、计算成本和多模态支持上的局限。该项目由复旦大学和 StepFun 团队开发 也就是它是一个能把

BabelDOC 是一个基于大语言模型（如GPT-4）的开源 PDF 文档翻译工具，它可以： > ✅ 把英文 PDF 翻译成中文， ✅ 翻译结果要像原文一样排版漂亮， ✅ 还能“对照阅读”原文和翻译， ✅ 支持自部署，支持离线使用！ 主要特点： - 结构感知翻译（保留原始排版）