DeepSeek-OCR 2：DeepSeek-AI推出的开源类人逻辑OCR识别工具，适配图片与PDF全场景
DeepSeek-OCR 2是由deepseek-ai开源的新一代OCR（光学字符识别）模型，基于视觉因果流设计理念，核心是让AI模拟人类阅读逻辑处理图像与文档，该模型采用DeepEncoder V2架构...
LingBot-Depth：蚂蚁灵波推出的开源高精度深度视觉模型，赋能机器人与3D视觉场景
LingBot-Depth是蚂蚁集团旗下灵波科技（Robbyant）开源的高精度空间感知模型，基于创新的掩码深度建模（MDM）范式，无需更换高端硬件，即可将消费级RGB-D相机的原始深度数据...
FrankenMotion：开源部位级人体运动生成与合成框架，精准控制细粒度异步运动
FrankenMotion是一款开源的部位级人体运动生成与合成框架，项目构建了全球首个具备异步、部位级文本标注的Frankenstein运动数据集，并提出基于扩散模型的部位感知运动生成方...
HeartMuLa：开源多语言音乐基础模型，一站式实现音乐生成与音文处理
HeartMuLa 是一套开源的多语言音乐基础模型项目，核心目标是构建全链路的音乐生成与音视频文本处理能力，为开发者、研究者和普通用户提供开箱即用的音乐 AI 工具集。它是首...
D4RT：Google DeepMind开源的的4D动态场景重建框架，单架构贯通建模与跟踪全流程
D4RT是由Google DeepMind主导开发的开源4D重建与跟踪框架，核心是通过一套统一架构，从普通2D视频中精准还原动态场景的3D几何结构与时间维度的运动轨迹（即4D建模）。该框架...
FlowAct-R1：字节跳动推出的开源实时交互式数字人视频生成框架
FlowAct-R1是字节跳动开源的实时交互式数字人视频生成框架，基于MMDiT架构构建，其通过分块扩散强制策略、结构化记忆库与多阶段蒸馏技术，实现25FPS@480p分辨率、首帧1.5秒...
OpenJudge：开源AI应用评估与优化框架
OpenJudge是一款专为AI应用设计的开源评估框架，基于Python开发，核心定位是为AI智能体、聊天机器人、多模态应用、代码生成系统等各类AI应用提供标准化、自动化、全维度的质...
Prompt-Master：开源AI提示词管理浏览器扩展，键盘+鼠标双友好高效管理
Prompt-Master是一款开源的Chrome浏览器扩展，专为解决AI提示词管理痛点而生，主打键盘+鼠标双友好操作体验，采用卡片式布局实现提示词快速查找、复制与管理，支持JSON格式...
Agentation：React前端视觉标注工具，精准传递页面元素给AI编程助手
Agentation是一款专为React 18+项目设计的agent-agnostic视觉反馈工具，通过可视化标注页面元素生成精准CSS选择器与结构化Markdown，解决AI编程助手定位代码模糊问题，提升...
AgentCPM-Report：开源离线AI深度研究报告生成工具，本地部署生成专业长文报告
AgentCPM-Report是一款聚焦于深度研究报告生成的开源大语言模型代理（LLM Agent），由清华大学自然语言处理实验室（THUNLP）、中国人民大学RUCBM实验室与ModelBest联合研发...