GitHub项目

Kohya’s GUI：训练LoRA模型的全能画布，轻松定制你的SD风格

leaf2026年7月16日1 分钟阅读 34暂无评论

如果你玩Stable Diffusion，迟早会想训练自己的LoRA——角色、画风或物体，而Kohya's GUI正是开源社区里最受欢迎的图形化训练工具箱。它把SD模型的LoRA、DreamBooth、Textual Inversion训练流程封装成直观界面，省去手写脚本的麻烦，适合想要微调模型的AI绘画爱好者。核心看点- 全流程图形化：从数据打标、配置参数到启动训练，全程在浏览器中操作，初学者也能快速上手。支持自动打标（Tagger）、正则化图像、学习率调度等功能。 - 多后端兼容：底层跑在PyTorch上，支持Windows/Linux，可调用NVIDIA GPU（CUDA）或AMD ROCm。原生集成xformers、DeepSpeed等优化，显存八仙过海。 - 活跃社区与模板生态：仓库持续更新，Issue/PR响应快。网上有大量预设配置文件，你只需改几项路径就能开始训练，大大降低门槛。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁适合想微调SD风格但不想写训练脚本的AI画师、设计师或爱好者。依赖Python 3.10+和NVIDIA显卡（建议8GB以上显存），可用CPU但会很慢。无需API Key，全部本地运行。许可证为Apache-2.0，可自由使用和修改。打开仓库的Releases页面下载打包版或直接pip install，跟着README里的Quick Start就能跑通第一个LoRA。更多技巧藏在Wiki和Discussions里，很适合逐个探索：Kohya's GUI官方仓库。

#GitHub #人工智能

阅读全文参与讨论

GitHub项目

LivePortrait：一张照片让人像动起来，表情驱动开源实现

leaf2026年8月5日1 分钟阅读 24暂无评论

给一张正面或侧脸照片，再给一段说话或转头的视频，LivePortrait 就能让照片里的脸跟着视频做出眨眼、微笑、歪头这些动作，神态贴合度做得比较自然。它解决了 AI 视频和虚拟人项目里最常见的「图片动起来」难题——不需要 3D 建模，也不用打关键帧，一张图加一个驱动视频就够。对做短视频、数字人、漫画分镜动效的开发者来说，这是可以直接拿去接进工作流的东西。核心看点高精度表情迁移：用隐式关键点同时对嘴型和头部姿态建模，侧脸和夸张表情下依然能保持稳定，生成结果里颈部和头发的跟随也比较顺。训练与推理全公开：项目提供完整训练代码和预训练权重，折腾微调或者只跑推理都有对应文档，不像很多 demo 仓库只放了个空壳。社区生态活跃：已经有人把它接进了 ComfyUI 和直播弹幕互动，意味着你现有的 AI 绘画或视频流程，有机会通过插件直接复用。代码基于 Apache-2.0 发布，模型权重另有条款，动手前先看一眼仓库里的 LICENSE。▲ github.com（阿里云通义万相生成配图，非网页截图）上手提示个人开发者用一张消费级显卡就能跑推理，建议先从官方给的示例视频试效果，再换自己的图片。需要 CUDA 环境，推荐用 conda 按 README 建环境；想直接看效果的可以下载模型权重后跑 demo 脚本。如果只是做数字人播报，把驱动视频裁剪成和照片人脸角度接近的比例，效果会更稳。项目主页上有不少演示片段和效果对比，看完再决定要不要往自己的工具链里集成。直接点进仓库看 README 的快速开始： LivePortrait 开源项目

#AI视频 #GitHub

阅读全文参与讨论

GitHub项目

Jan 桌面 AI 客户端：本地运行大模型，隐私优先的推理助手

leaf2026年6月13日1 分钟阅读 42暂无评论

如果你厌倦了每次对话都要把数据上传到云端，又想用上最新的开源大模型（Llama、Mistral、Phi 等），Jan 就是你要找的本地 AI 客户端。它为开发者和隐私敏感用户提供了一套开箱即用的桌面推理环境，无需命令行折腾，双击即可下载模型并开始对话。核心看点- 一键下载与切换模型：内置模型中心，支持从 Hugging Face 等源直接拉取并管理多个大模型，免去手动配置路径和环境依赖的烦恼。 - 本地推理，数据不出设备：所有计算在本地完成，CPU、GPU（通过 llama.cpp 后端）均可加速，适合有隐私需求或需要离线使用的场景。 - 可扩展的插件机制：支持通过插件接入不同的推理引擎（如 TensorRT-LLM、Ollama 后端），社区正在贡献更多功能，基础功能不设门槛。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- 隐私优先的日常用户：希望把聊天记录和文件留在自己电脑上的 AI 爱好者。 - 快速体验新模型的开发者：在下载新模型前，先在 Jan 里跑个对话试试效果，省去搭建环境的功夫。 - 需要离线推理的小团队：内网环境或无网络办公场景下，Jan 提供简洁的桌面界面，支持多轮对话。项目采用 AGPL-3.0 许可证，桌面端无需额外 API Key，仅需满足模型本身的许可条款。如果你已经受够了 Web 端的输入限制，不妨打开 Jan 的 GitHub 仓库下载体验版，看看它如何把你的笔记本变成私人 AI 工作台。

#AI应用 #GitHub

阅读全文参与讨论

GitHub项目

Ragas：给RAG系统做体检的开源评估框架，开发者的Debug提效利器

leaf2026年7月5日1 分钟阅读 40暂无评论

如果你的RAG应用总出“答非所问”的幻觉，盲目调prompt或embedding就像在黑箱里打转。Ragas提供了一套结构化的评测指标（忠实度、答案相关性、上下文精度等），让你能量化知道哪里出了问题，而不是靠感觉迭代。核心看点- 端到端评估：覆盖检索（context recall/precision）和生成（faithfulness、answer relevancy），避免只看LLM输出而忽略检索质量。 - 无须人工标注：利用LLM自动生成测试集并打分，配合少量文档就能跑通评估流程，降低上手成本。 - 可与LangChain/LlamaIndex集成：把评估挂到现有pipeline里，每次修改后一键跑分，用数字追踪改进效果。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁正在构建或优化RAG系统的开发者、研究员。项目用Python 3.8+，依赖OpenAI或本地LLM（如通过Ollama）作为评估模型，无特殊GPU要求。API Key视评估模型而定，评测逻辑本身不需要额外秘钥。想给你的RAG应用装一个客观的“监工”？去仓库README看一下metric说明和示例，用pip install ragas就能开始跑第一轮评估：Ragas GitHub

#GitHub #RAG

阅读全文参与讨论

GitHub项目

Perplexica：本地自托管 AI 搜索，隐私与体验兼得

leaf2026年8月20日1 分钟阅读 9暂无评论

想要 Perplexity 那样的智能搜索体验，却不想把每次查询都交给第三方服务？Perplexica 是一个能完整跑在自己服务器上的 AI 搜索引擎，从索引到生成答案都由你掌控，特别适合对数据隐私敏感的开发者或研究者。核心看点- 本地推理优先：可接入 Ollama 或 llama.cpp 等本地模型，也支持 OpenAI、Claude 这类远端 API，切换不锁死。 - 多搜索模式：内置日常对话、学术检索、视频查找等多种模式，返回结果时附带引用来源，比单纯调用大模型更贴近真实搜索场景。 - 部署友好：提供 Docker 镜像，一条命令就能启动；界面风格接近主流 AI 搜索产品，上手成本低。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁想给团队做一个私有化知识入口的工程师，或者不想让查询记录离开本机的个人用户。如果你已有一台能跑 7B 级别模型的机器，配合 Ollama 即可全本地运行；想快速尝鲜，也只需配置一个 OpenAI API Key 就能体验完整功能。项目基于 MIT 许可证，可放心二次改造。想对比不同模型在搜索场景下的表现，建议直接去 Perplexica 仓库看 README 里的部署指引，顺便翻翻 Issues 里大家分享的配置经验。

#AI搜索 #GitHub

阅读全文参与讨论

GitHub项目

MinerU：PDF 文档解析利器，让大模型吃透复杂排版

leaf2026年5月25日1 分钟阅读 64暂无评论

处理 PDF 中的多栏、表格、公式和页眉页脚，一直是 RAG 和文档理解管线里的老大难。MinerU 由书生·浦语团队开源，能把 PDF 干净地转成 Markdown 或 JSON，保留结构和元数据，让后续的 embedding、切片、检索不再被乱序文本拖累。适合正在搭建高质量知识库、需要从论文/财报/合同里提取结构化信息的开发者或研究者。核心看点- 高保真版面还原：内置 OCR 与布局检测模型，能识别标题层级、表格、图片与公式，输出接近原版排版的 Markdown，表格和数学公式不会碎成乱码。 - 多粒度输出：支持按段落、按页面、按元素类型（文本/表格/图片）提取，可直接对接 LangChain、LlamaIndex 等 RAG 框架。 - 轻量部署：纯 Python 实现，依赖 PyTorch 和 Detectron2，单张消费级 GPU 即可运行推理，也提供 CPU 模式（速度下降但可用）。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- 正在做文档问答、论文综述、企业合同分析的团队，需要将 PDF 转化为干净的文本源。 - 对开源许可证友好（Apache-2.0），可商用，无需额外 API Key，所有模型权重随仓库下载。MinerU 不是万能 OCR，但在复杂 PDF 上的表现远超 PyMuPDF 等传统工具。不妨从 README 的快速示例跑起，看看它如何处理你手头最乱的文档： MinerU

#GitHub #RAG

阅读全文参与讨论

GitHub项目

UI-TARS 开源多模态 GUI Agent，让大模型替你操作屏幕

leaf2026年6月11日1 分钟阅读 50暂无评论

还在为重复的 GUI 操作烦恼吗？由字节跳动开源的多模态 Agent 框架 UI-TARS，让大模型像人一样“看”屏幕并执行点击、输入、拖拽等动作，无需 OCR 或坐标硬编码，直接将视觉截图转化为操作指令。对于 AI 应用开发者、自动化测试工程师或 RPA 从业者来说，这可能是打通“感知-推理-行动”闭环最直接的落地选择。核心看点- 原生视觉理解：基于视觉语言模型（VLM）直接处理截图，无需借助 OCR 或 DOM 解析，模型自己“看懂”按钮、文本框和层级关系。 - 感知-推理-行动闭环：内置回溯、反射机制，遇到弹窗、加载态等动态变化能自动调整策略，不是机械执行脚本。 - 开源可控：采用 Apache-2.0 许可证，提供完整训练、评估、部署代码，可基于自己的业务场景微调，不依赖闭源 API。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁适合 AI 应用开发者（想集成 GUI 自动化能力）、前端/QA 工程师（替代脆弱的录屏回放）、以及研究多模态 Agent 方向的同学。运行时建议至少一张 24G 显存的 GPU（如 RTX 3090/4090 或 A10），支持 Linux 环境，需要 PyTorch。权重下载及模型条款以仓库 LICENSE 和 README 为准。想深入体验“视觉 Agent”如何落地？直接打开 UI-TARS 仓库主页查看快速开始教程和 demo 视频，Release 页还有预训练权重可直接下载。

#Agent #GitHub

阅读全文参与讨论

GitHub项目

Open Lovable：AI克隆任意网站的前端项目

leaf2026年6月18日1 分钟阅读 38暂无评论

如果你厌倦了从零手写前端页面，或者想把某个网站的UI快速复刻成React应用，Firecrawl团队开源的Open Lovable值得一试。这个项目让你通过自然语言与AI对话，直接构建完整的React应用；更酷的是，它能够克隆任何现有网站并原地生成现代React代码，整个过程几乎在秒级完成。仓库采用TypeScript（94.9%）为主，基于Next.js搭建，适合前端开发者、AI应用探索者以及想快速验证产品原型的团队。核心看点- 对话式开发：在聊天界面用日常语言描述需求，AI自动生成React组件和页面逻辑，无需手写样板代码。 - 网站克隆与重构：粘贴任意URL，系统抓取页面结构并输出可维护的React项目，特别适合做竞品分析、设计灵感迁移或快速搭建初始版本。 - 本地运行友好：项目明确提供了bun.lock和.env.example，克隆后简单配置即可在localhost:3000启动，开发者可以自由修改和扩展底层逻辑。适合谁▲ Open Lov…（阿里云通义万相生成配图，非网页截图）- 前端开发者：需要快速验证想法或从现有站点抽取UI，Open Lovable能大幅缩短初始搭建时间。 - AI工具爱好者：想研究如何将大模型与代码生成、网页抓取结合，仓库代码结构清晰（components/、hooks/等），适合作为学习样板。 - 产品与设计团队：需要快速生成可交互的React原型，无需等待完整设计稿。注意：项目依赖Node.js环境，官方推荐使用bun包管理器；运行时需申请对应的AI模型API Key（摘录未指定具体模型，建议查看仓库README.md获取详情）。项目的LICENSE已包含在仓库中，使用前请确认具体条款。如果你想亲手体验“一句话生成React App”或“秒级克隆任意网站”，不妨克隆仓库试玩，并去 Open Lovable 仓库的Issue/Dis…

#AI开发 #GitHub

阅读全文参与讨论

GitHub项目

whisperX：加速Whisper转录并获取词级时间戳，解决语音对齐痛点

leaf2026年6月10日1 分钟阅读 50暂无评论

还在忍受OpenAI Whisper的原始推理速度？做字幕对齐时手动切分句子的痛苦谁懂？whisperX 直接给你词级时间戳 + 批量加速，一条命令就能把长音频拆成词级别的字幕，连说话人分离都顺手解决了。适合语音处理开发者、短视频字幕制作者、以及任何需要精准音频时间戳的研究者。核心看点- 基于Whisper的快速推理：通过 batching 和 better memory 管理，在保持精度的前提下把推理速度提升数倍，实测比原版快2-3倍。 - 词级对齐与说话人分离：不需要训练，直接调用 WhisperX 的 pipeline 即可获得每个单词的开始/结束时间，并自动识别不同说话人（需配合 pyannote 模型），省去后期手动校对。 - 简洁API与命令行：pip install 后三行Python代码就能完成转录+对齐，适合集成到自动化工作流；还支持输出 SRT、VTT 等常见字幕格式。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- 字幕制作/视频创作者：想要快速生成带时间轴的字幕，无需再手动切分句子。 - 语音识别研究者：需要高精度词级对齐数据用于训练或评估。 - 会议记录/音频分析场景：一条命令搞定多人对话的逐字稿和说话人标签。仓库采用 BSD-2-Clause 许可证，依赖 PyTorch 和 Whisper，建议使用 GPU 获得最佳推理速度。项目维护活跃，Issue 回复及时，社区已经有不少集成案例。想要马上体验词级对齐的快感？直接去 README 看一行示例代码——你只需要打开 whisperX GitHub 主页复制粘贴就够了。

#GitHub #人工智能

阅读全文参与讨论

GitHub项目

Tabby 自部署的 AI 代码助手，终结 Copilot 隐私焦虑

leaf2026年6月20日1 分钟阅读 47暂无评论

如果你正在用 GitHub Copilot 却担心代码被上传，或者想在离线环境里也能有智能补全，Tabby 就是你一直在等的那个开源方案。它让你完全掌控自己的代码补全和聊天助手，只需一台带 GPU 的服务器（甚至可以使用 CPU 跑），就能获得媲美 Copilot 的体验。核心看点- 全链路自托管：从模型、后端到前端界面，所有组件都在你控制之下，不向任何第三方发送代码片段。支持 Ollama、vLLM 等多种推理后端，灵活切换模型（StarCoder2、CodeLlama 等）。 - 多 IDE 原生插件：VS Code、JetBrains、Neovim、Vim 主流编辑器全覆盖，安装即用。除了补全，还内置了内联代码聊天，无需切到网页就能问问题。 - 性能优先：核心用 Rust 编写，启动快，资源占用低。支持流式推理和连续补全，延迟控制在百毫秒级。还提供完整的 Prometheus 指标，方便自建监控告警。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁适合有自建服务器或私有云的公司团队，以及对代码隐私要求严格的安全敏感项目。单开发者也可以在一台个人笔记本上部署（推荐至少 16GB 内存 + 一块消费级 GPU）。项目已发布 Docker 镜像，部署教程在 README 里写得很详尽，不用折腾环境配置。如果你正在评估离开 Copilot 的替代方案，不妨去 Tabby 的 GitHub 仓库看看它的 roadmap 和最近一周的 issue 讨论，社区挺活跃的，很多新特性都是用户 PR 贡献的。开源社区值得关注。

#GitHub #人工智能

阅读全文参与讨论