UI-TARS-desktop：字节跳动开源的多模态AI智能体，一站式GUI智能任务自动化桌面工具
UI-TARS-desktop是字节跳动开源的多模态AI智能体桌面应用项目，基于UI-TARS模型构建，集成Agent TARS通用多模态AI智能体栈，提供本地/远程计算机、浏览器GUI智能操作能力，...
MiroThinker：MiroMind开源的搜索智能体方案，交互式缩放突破大模型推理瓶颈
MiroThinker是MiroMind研究院推出的开源搜索智能体（Search Agent）项目，聚焦增强工具辅助推理与信息检索能力，通过“交互式缩放”技术突破传统大模型性能瓶颈，提供多参数...
【从零到一掌握 AI Agent】：深入解析底层架构、工具链选型与代码实践
AI Agent（智能体） 作为基于LLM的下一代智能交互形态，正逐渐成为行业关注的焦点。它不再是简单的“输入输出”工具，而是能够自主感知环境、规划任务、执行操作并持续学习...
AutoMV：开源多智能体音乐视频生成系统，一键实现全长歌曲到连贯MV的自动化创作
AutoMV是一款基于多智能体架构的开源音乐视频（MV）自动生成系统，无需额外训练即可直接从全长歌曲输出连贯、高质量的长格式MV。该系统整合音乐信号分析、智能脚本编写、角...
ClipSketch AI：开源 AI 驱动的视频转手绘故事板工具
ClipSketch AI是一款专为短视频创作者、二创爱好者和社交媒体运营者设计的开源工具，基于Google Gemini多模态模型构建，支持解析B站、小红书等平台的视频链接，通过帧级标记...
ProEdit：中山大学等高校联合开源的 AI 图像视频精准编辑工具
ProEdit是中山大学ISEE实验室联合多所高校研发的开源基于反转的提示词驱动型AI图像与视频编辑工具，核心聚焦传统反转类编辑工具"源信息干扰导致编辑不精准、背景易误伤"的行...
ML-Master：上海交大开源的下一代自主机器学习 AI 专家智能体
ML-Master 是上海交通大学 SAI 实验室牵头研发的开源 AI-for-AI 智能体，核心通过探索与推理深度融合范式 + 自适应记忆机制，实现机器学习任务全流程自主完成。该项目在 Op...
Chatterbox：开源的高性能TTS模型，支持23种语言零样本克隆与情感语音合成
Chatterbox是由Resemble AI团队打造的一款开源生产级文本转语音（TTS）模型家族，并非单一模型，而是三款针对性优化的先进TTS模型组合，整体以轻量化架构实现了媲美商业闭源...
Molmo2：AllenAI开源的先进多模态语言模型，支持单图/多图/视频输入与深度语义理解
Molmo2是由艾伦人工智能研究所（AllenAI） 研发并开源的一款先进多模态开放语言模型，旨在打破文本与视觉模态之间的壁垒，实现对图像、视频与文本信息的联合理解与处理。Mo...
VTP：MiniMax开源的视觉分词器预训练框架，赋能生成模型高效表征学习
VTP是一款聚焦于视觉分词器预训练的深度学习框架，旨在解决传统视觉分词器在生成模型中存在的预训练缩放问题。该框架整合对比学习、自监督学习与重构学习三大核心范式，构建...