NeuroBrix 发布通用深度学习推理引擎，统一运行 9 类模型家族
NeuroBrix 发布通用深度学习推理引擎，用同一套 CLI 和 .nbx 容器格式运行图像、视频、LLM、视觉语言、多模态、TTS、STT、语音理解和超分共 9 类模型家族，无需针对模型写专用代码。
#多模态
GitHubAI 评分5858 GitHubAI 评分2222 Doglyad：面向超声医师的 AI 报告助手
Doglyad 是一款面向超声医师的 AI 助手，将超声图像与患者病史、检查记录结合，生成结构化报告草稿供医师审核。它支持 28 种超声检查类型，可选多模态模型并调节 temperature、最大输出长度等参数，语音录入支持英文和俄语医学语音。该工具定位为文档辅助，非医疗设备，也不具备自主诊断能力，所有报告须由专业医护人员审核批准。
GitHubAI 评分1010 superdupers1/ai-thought-visual：将语言、语音与图像转化为结构化 AI 概念
GitHub 项目 superdupers1/ai-thought-visual 可将语言、语音和图像转化为结构化 AI 概念，并通过生成艺术进行可视化，再重构为诗意表达。项目标签涵盖 agentic-ai、agents、embeddings、MCP、多模态、语义搜索、知识图谱嵌入与工作流自动化等方向，目前获得 1 个 star。
RadarAIAI 评分5858 开源工具 Anatomy 用单行提示词生成可交互 3D 机械图解
开源项目 Anatomy 可将单行文本概念通过 Claude 转化为物理驱动的等轴测 3D 机械模型，模型由几十个精密零件构成，支持鼠标旋转与键盘操控，动效由物理模型实时驱动。该项目摒弃传统框图，用齿轮、凸轮等真实物理动作模拟技术运行逻辑，并支持嵌入网页与技术文档。
RadarAIAI 评分6060 腾讯发布 5B 开放权重多模态解析模型，统一输出结构化 JSON
腾讯发布一款 5B 开放权重多模态模型，可将文档、图像、音频和视频解析统一输出为单一结构化 JSON 格式。该模型定位为替代碎片化的 OCR、ASR 和图表提取管线，能把 PDF、图像、图表、音频与视频统一解析为单一结构化 JSON。材料提到该模型在 OmniDocBench 和 OmniParsingBench 基准测试上的表现，但未给出具体结果。
RadarAIAI 评分4242 DeepSeek OCR 如何压缩文档，又为何不等于解决 AI 记忆问题
Two Minute Papers 解析了 DeepSeek OCR 如何用视觉 token 压缩文档，并给出其亮眼的还原率与编码器设计。视频同时指出，这种看似高召回的表现可能部分来自语言模型的猜测，因此并不等于解决了 AI 记忆问题。
GitHubAI 评分2222 saddam213/TensorStack：支持文本、图像、视频与音频的 C# 生成式 AI SDK
saddam213/TensorStack 是一个 C# 生成式 AI SDK，支持文本、图像、视频和音频四类生成能力。该 SDK 以 C# 为开发语言，面向生成式 AI 应用开发场景。
GitHubAI 评分1515 Scaling Human 实验合集：Food Scanner、Glasshole 等硬件与 AI 项目
Srikantha Ballani 维护的 Scaling Human 实验合集收录了 Food Scanner、Glasshole、Kids Meal Mode、Book Cricket、本地 AI 游戏实验、Smart Ring 与 Smart Strap 等个人项目，涵盖硬件、AI、应用与本地计算。
Hacker NewsAI 评分6262 USDCraft：用 LLM 程序化生成可仿真的铰接式 3D 资产
USDCraft 提出一种程序化建模方法，无需输入网格，仅凭提示词或参考图即可让预训练 LLM 写出资产程序，编译成带关节的 USD 资产。生成结果自带碰撞几何、质量和关节限位，可直接在 Isaac Sim（PhysX）中运行；在真实到仿真到真实流程中，团队扫描三个真实物体重建后各采集 200 条演示训练 Diffusion Policy，真机部署无需真实数据。
GitHubAI 评分2222 dioszedit/subtitle-translator：AI 驱动的 SRT 字幕翻译与审校框架
dioszedit/subtitle-translator 是一个 AI 驱动的 SRT 字幕翻译与审校框架，支持 5 家可互换的 LLM 提供商，并通过术语表保证译名一致。该框架支持 18 种源语言翻译为匈牙利语。
GitHubAI 评分2222 基于 AI 的面试与口语考试助手 interview-assistant 发布
开源项目 interview-assistant 发布，可实时捕获系统音频、通过百炼 ASR 转录考官提问并流式生成口语回答，窗口对屏幕分享软件隐身。该工具基于 interview-coder-cn 二次开发，新增可配置阶段预设、候选人档案、作文档案预处理和截图专注识别，内置 ELLT 口语与技术面试模板，支持 OpenAI 兼容 API，采用 CC BY-NC 4.0 协议禁止商用。
GitHubAI 评分2222 XCodeWraith-Edition：用单张产品图生成社交媒体视频
XCodeWraith-Edition 是一款从单张产品图生成社交媒体视频的应用，集成 Gemini 2.5 Pro 做视觉分析、Kling 2.6 Motion 实现推镜与环绕等运镜、Fal Audio v2 生成配乐音效，并用 FFmpeg 完成自动剪辑渲染。
Hacker NewsAI 评分2222 OpenDecision 发布自托管图像决策 API，基于 SigLIP2 匹配图像与候选描述
OpenDecision 推出自托管图像决策 API，用 SigLIP2 将图像与候选描述匹配，并依据规则返回动作，如识别到熊触发 sound_alarm、垃圾桶溢出触发 request_collection。在 Apple M3 本地加载模型下，单次 HTTP 调用中位耗时 233-317 ms，覆盖 2-4 个问题，动作均为模拟执行。
RadarAIAI 评分4242 Tripo 发布 P2.0 正式版及 Smart UV、Text to Motion 等新功能
Tripo 上线 P2.0 正式版，同时推出 Smart UV、Text to Motion、升级版纹理和全新的 Creator Growth System。官方称新版本可生成更高质量的网格，可直接用于生产。
GitHubAI 评分2222 Ashutosh Mishra 发布 AI-VIDEO-ASSISSTANT：基于 RAG 的多语言视频问答助手
开发者 Ashutosh Mishra 在 GitHub 发布 AI-VIDEO-ASSISSTANT，可自动下载 YouTube 视频或处理本地音视频文件，完成语音转写、摘要生成、行动项与关键决策提取，并支持基于 RAG 的多语言问答。
Hacker NewsAI 评分2828 Show HN：上传一张照片，用 Seedance 2.0 Mini 把自己放进 Bulin 47 街头 freestyle 视频
一个 Show HN 项目可将单张照片生成 15 秒 9:16 竖版 MP4，把照片中的人或宠物放进 Bulin 47 在西班牙街头 freestyle 的原片段，保留原声、动作与街景，由 Seedance 2.0 Mini 视频模型驱动。480p 单条 8.99 美元、720p HD 可选，一次性付费无订阅，失败返还额度，需 Google 登录。
Hacker NewsAI 评分5858 Netflix 约 300 部作品已用 AI，导演姜允成称可省 40% 制作预算
在釜山国际电影节由 Netflix 与 MPA 合办的论坛上，Netflix 亚太制作高级总监 Lee Sung-gyun 表示，AI 已在约 300 部 Netflix 作品中以各种方式使用，涵盖 previs、美术设计、布景概念、剪辑和 VFX。
GitHubAI 评分5858 Story Claw 开源小说转短剧流水线，本地 ComfyUI 渲染一集成片
Story Claw 是一个开源、AI 驱动的小说转视频流水线，面向短剧、MG 动画和分镜制作，可在 Windows 桌面本地运行，渲染后端为自托管 ComfyUI/LTX。
量子位AI 评分6666 何恺明团队发布多模态视觉原生 Harness 框架 VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。
Hacker NewsAI 评分2222 WhimKid：面向儿童的 AI 绘本生成器
SylwairTech LLC 推出 AI 绘本生成器 WhimKid，可将一个想法、一张照片或熟悉角色转成可编辑的儿童绘本并导出 PDF。它提供 5 个年龄段（0–3、4–6、5–7、7–9、9–12 岁）、10 到 30 页篇幅、最多 6 个参考角色，支持蜡笔、粉彩、拼贴、水墨等画风，以及 PDF、图片、音频、SRT/VTT 字幕和视频等 6 种导出方式。
The DecoderAI 评分6969 Odyssey 开放世界模型 Odyssey-3 免费研究预览
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash，采用自回归扩散 Transformer 逐帧生成视频，基础模型 14B 参数、输出 832 × 480，Pro 版支持 1280 × 720。
RadarAIAI 评分6969 Odyssey 开放世界模型 Odyssey-3 公开研究预览，可免费试用
加州 AI 公司 Odyssey 将世界模型 Odyssey-3 开放为公开研究预览，用户可用文本提示生成交互环境并实时探索，开发者可申请 API。免费在线 demo 基于 Odyssey-3 Flash，支持第一人称和第三人称视角；基础模型 14B 参数，生成 832 × 480 视频，Odyssey-3 Pro 支持 1280 × 720。
Hacker NewsAI 评分1212 随着 Opus 5.5 和 Suno 6 发布，AI Doompop 音乐视频新流派诞生
随着 Opus 5.5 和 Suno 6 发布，AI 音乐视频已跨过恐怖谷，一种名为 AI Doompop 的新流派由此诞生。作者列出六支代表作，包括《LGTM》《THUS SPOKE COMPUTE》《Nothing Went Foom!
Hacker NewsAI 评分3434 Infinite：开源节点式 DAW，面向视觉、音乐与代码
Naman Soni（n1m21n）发布开源免费音视频工作站 Infinite，支持 macOS、Windows 和 Linux，通过统一节点画布整合实时 GPU 图像/视频合成、程序化 3D 与物理、模块化合成器机架及 AU/VST3 插件托管。内置 300+ 节点类型，并提供嵌入式编程语言 Field，可按代码所触及的域自动推断运行位置。
GitHubAI 评分7171 Stephen Spielbot 开源 AI 短片生成器发布，从选题到成片全流程自动化
Stephen Spielbot 是一个开源 AI 视频生成器，可把一个选题变成完整短片，包含电影感画面、旁白或角色出演的场景以及背景音乐。
GitHubAI 评分3030 gemma-media-study：用本地 AI 把视频音频变成学习资料
gemma-media-study 是一款完全在 Windows 本地运行的视频学习工具，用内置 Whisper 引擎生成字幕、逐帧分析画面，并支持基于 Gemma 4 的 AI 导师就视频内容提问。它可导入 YouTube 链接或本地文件，要求 Windows 10/11、8GB 内存和 10GB 磁盘空间，首次安装需联网下载模型，之后可离线使用，视频与对话数据均不离开本机。
GitHubAI 评分3636 TinyInference：TinyHumans AI 智能体运行时的 Rust 提供商层
TinyHumans AI 开源 Rust 提供商层 TinyInference，为智能体运行时提供模型与嵌入 API 能力，但不包含智能体循环、图运行时或中间件系统。
RadarAIAI 评分2222 JEV-27B-VL 登顶决策基准：多模态迈向自主决策智能体
ModelScope 发布视觉多模态大模型 JEV-27B-VL，在含 13,695 个样本的独立决策基准 Decision Index Vision 中以 77.8% 准确率登顶 20 款参评模型。该模型通过马里奥游戏实时演示，展示了多模态模型在实时连续交互与置信度校准上的决策能力。
Hacker NewsAI 评分6262 魏茨曼研究所 Brain-IT 模型仅需一小时脑扫描即可重建所见图像
魏茨曼研究所 Michal Irani 实验室开发出名为 Brain-IT 的 AI 模型，能根据人观看图像时的脑活动重建出该图像，并入选今年 ICLR。该模型通过同时训练编码器（从图像预测 fMRI 扫描）和解码器（从扫描重建图像）来应对数据稀缺，编码器在训练中识别出所有人共有的 128 个功能区域，其中发现处理场景的 PPA 区域内部按室内和室外场景分工。
GitHubAI 评分1212 Bass Academy Vision Mode v2.3.5 发布：由 BassAI Vision 驱动的贝斯练习应用
Bass Academy Vision Mode v2.3.5 发布，这是一款由 BassAI Vision 驱动、可在浏览器中离线使用的贝斯练习应用。它提供手势控制、自定义练习生成器和录音室三大功能，需摄像头支持手势操作，要求 4 GB 以上内存与至少 200 MB 存储空间，采用 MIT 许可证。
RadarAIAI 评分2020 宋代蚕桑题材电影感 AI 视频的详细时间轴提示词
一份面向宋代蚕桑题材 AI 视频的详细提示词，逐项规定了场景设定、历史服饰考据、逐秒镜头运动与音频规格。提示词以时间轴形式组织，用于指导电影感视频的生成。
GitHubAI 评分2222 Videoscribe-ai：把 YouTube 视频转成结构化笔记、关键词与测验
GitHub 项目 Videoscribe-ai 可将任意 YouTube 视频在约 60 秒内转为结构化笔记、关键词、测验和 Anki 卡片，并支持 PDF、Markdown、Obsidian、Notion 与 HTML 演示导出。
GitHubAI 评分3737 Home Assistant 游戏助手 ha-gaming-assistant：用本地视觉 LLM 实时推送游戏提示
开源项目 ha-gaming-assistant 通过 HACS 集成到 Home Assistant，用视觉 LLM 逐帧分析游戏画面并推送情境化提示、语音和自动化触发。
GitHubAI 评分3636 Mavéa：把答案画在画布上的 AI
Mavéa 是一款把回答直接"画"出来的 AI：提问后它在动态画布上用图表、时间线、地图和可核查的证据构建答案，并用笔圈出每句话对应的具体数字。
GitHubAI 评分3636 three.ws 发布 vision-mcp：让任意 AI 智能体获得图像理解能力
three.ws 推出 Model Context Protocol 服务器 @three-ws/vision-mcp，让任意 AI 助手通过 stdio 获得图像理解能力，支持 analyze_image、describe_image、get_vision_status 三个只读工具，可处理 JPEG、PNG、WebP、GIF，上限 12 MB。
GitHubAI 评分2828 nirholas 发布 sketchapedia：用生成模型渲染 UI 的 MaaR SDK
nirholas 开源 sketchapedia，一个面向 Web 的混合生成-逻辑 SDK，提出 Model-as-a-Renderer（MaaR）思路：由 LLM 输出布局与 hitmap，FLUX + ControlNet 渲染关键帧、LTX-Video 渲染转场，再用不可见 DOM 覆盖层保留输入、状态、无障碍与文本保真。
GitHubAI 评分2020 Teacher Tati AI：基于 GPT-OSS-20B 与 Gemini 的英语教学平台
Teacher Tati AI 是一个英语学习平台，以 GPT-OSS-20B（通过 Groq）驱动低延迟对话，并用 Google Gemini（1.5 Flash/Pro 及 Gemini Vision）生成测验、分级和文档 OCR 识别。
GitHubAI 评分2020 Vultus：Cloudflare + Modal 无状态人脸比对流水线
Vultus 是一个无状态人脸比对流水线，把两张照片归一化到统一 UV 空间，实现不受姿态和表情影响的像素级对比。架构为 Cloudflare 边缘网关（Pages + Workers + Queues + R2 + Durable Objects）加 Modal 无服务器 GPU，结果以 zip-8 流式返回，TTL 60 秒后全部清除，不持久化图像。固定成本约 $5/月，GPU 按秒计费。
GitHubAI 评分2222 Un-LOCC：面向视觉语言模型的快速 token 压缩工具
Un-LOCC 是一款面向视觉语言模型的 token 压缩工具，可实现最高 3 倍 token 压缩，同时保持 93% 以上的检索准确率。该工具兼容现有视觉语言模型，提供图形界面，支持 Windows 10 及以上、macOS 10.15 及以上及 Linux，最低 4GB 内存、200MB 磁盘空间，可从 GitHub Releases 页面下载。
GitHubAI 评分1212 Ethiopian Modern Farmer：面向埃塞俄比亚农民的 AI 农业平台
GitHub 上的 Ethiopian Modern Farmer 项目为埃塞俄比亚农民提供作物产量预测、肥料建议、食品质量检测和阿姆哈拉语 AI 顾问四项功能。该平台基于 Python、Flask 和 TensorFlow 构建，结合机器学习、NLP 与计算机视觉技术，采用 MIT 许可证开源。