AGUVIS 是香港大学与 Salesforce 联合推出的纯视觉 GUI 自动化框架，能够在多种平台上实现自主 GUI 交互，结合显式规划和推理，提升复杂数字环境中的导航和交互能力。

VersaGen 是一款生成式 AI 代理，专注于文本到图像合成中的视觉控制能力，支持多种视觉控制类型，并通过优化策略提升图像生成质量和用户体验。

AutoRAG 是一款自动优化 RAG（Retrieval-Augmented Generation）管道的工具，帮助用户找到最适合其数据和应用场景的最佳 RAG 管道。

Poetry2Image 是一个专为中文古诗词图像生成设计的迭代校正框架，通过自动化反馈和校正循环，提升诗歌与图像之间的一致性，有效捕捉诗歌的语义和艺术精髓。

VideoVAE+ 是香港科技大学推出的先进跨模态视频变分自编码器，通过时空分离压缩机制和文本指导，实现了高效视频压缩与精准重建。

Valley 是字节跳动推出的多模态大模型，能够处理文本、图像和视频数据，在电子商务和短视频领域表现优异，并在 OpenCompass 测试中排名第二。

Infinity 是字节跳动推出的高分辨率图像生成模型，通过位级自回归建模和无限词汇量标记器，显著提升了图像生成的细节和质量。

联通元景（UniT2IXL）是中国联通AI推出的中文原生文生图模型，基于国产昇腾AI平台，优化中文语义理解，支持高质量图像生成。

MNN 是阿里巴巴开源的轻量级深度学习推理框架，支持多种设备和主流模型格式，具备高性能和易用性，适用于移动端、服务器和嵌入式设备。

FinRobot 是一个开源的 AI Agent 平台，专注于金融领域的应用，通过大型语言模型（LLMs）构建复杂的金融分析和决策工具，提供市场预测、文档分析和交易策略等多种功能。

VidTok 是微软开源的一款先进的视频分词器，支持连续和离散分词化，能够高效地将视频内容转换为视觉 Token，适用于多种应用场景。

Vision Parse 是一款开源的 PDF 转 Markdown 工具，基于视觉语言模型，能够智能识别和提取 PDF 中的文本和表格，并保持原有格式和结构。

Diff-Instruct 是一种从预训练扩散模型中迁移知识的通用框架，通过最小化积分Kullback-Leibler散度，指导其他生成模型的训练，提升生成性能。

EDTalk 是上海交通大学与网易联合研发的高效解耦情感说话头像合成模型，能够独立控制嘴型、头部姿态和情感表情，适用于多种应用场景。

捣鼓AI做一本情绪拉满的2025夸夸日历

极致的显存管理！6G显存运行混元Video模型

FastExcel 是一款基于 Java 的高性能 Excel 处理工具，专注于优化大规模数据处理，提供简洁易用的 API 和流式操作能力，支持从 EasyExcel 无缝迁移。

CogAgent-9B 是智谱AI基于 GLM-4V-9B 训练的专用Agent任务模型，支持高分辨率图像处理和双语交互，能够预测并执行GUI操作，广泛应用于自动化任务。

北京大学开源了首个针对视频编辑质量评估的新指标 VE-Bench，旨在通过人类感知一致的度量标准，更准确地评估视频编辑效果。

PeterCat 是一款开源的智能答疑机器人，能够自动抓取 GitHub 上的文档和 issue 构建知识库，提供对话式答疑服务，帮助开发者和社区维护者高效解决技术问题。

cobalt 是一款开源的流媒体下载工具，支持全平台视频、音频和图片下载，提供纯净、简洁无广告的体验

Enhance-A-Video 是由上海人工智能实验室、新加坡国立大学和德克萨斯大学奥斯汀分校联合推出的视频生成质量增强算法，能够显著提升视频的对比度、清晰度和细节真实性。

DynamicControl 是腾讯优图联合南洋理工等机构推出的动态条件控制图像生成新框架，通过自适应选择不同条件，显著增强了图像生成的可控性。

DRT-o1 是腾讯研究院推出的文学翻译系列 AI 模型，通过长链思考推理技术显著提升翻译质量，特别擅长处理比喻和隐喻等修辞手法。

video-analyzer 是一款开源视频分析工具，结合 Llama 的 11B 视觉模型和 OpenAI 的 Whisper 模型，能够提取视频关键帧、转录音频并生成详细描述，支持本地运行和多种应用场景

Mathtutor on Groq 是一款基于 Groq 架构的 AI 数学辅导工具，支持语音输入数学问题，实时计算并渲染解题过程，适用于代数、微积分等领域的学习和教学辅助。

DiTCtrl 是一种基于多模态扩散变换器（MM-DiT）架构的多提示视频生成方法，能够在无需额外训练的情况下，实现多个文本提示之间的连贯视频生成，并保持内容和运动的一致性。

ModernBERT 是由英伟达和 HuggingFace 等机构联合开源的新一代编码器模型，支持长上下文处理，性能超越 SOTA，适合多种自然语言处理任务。

SPAR 是智谱团队推出的自我博弈训练框架，旨在提升大型语言模型在指令遵循方面的能力，通过生成者和完善者的互动以及树搜索技术优化模型响应。

DeepSeek V3 是深度求索公司开源的最新 AI 模型，采用混合专家架构，具备强大的编程和多语言处理能力，性能超越多个竞争对手。

PC Agent 是上海交通大学与 GAIR 实验室联合推出的智能 AI 系统，能够模拟人类认知过程，自动化执行复杂的数字任务，如组织研究材料、起草报告等，展现了卓越的数据效率和实际应用潜力。

Midscene.js 是一款基于 AI 技术的 UI 自动化测试框架，通过自然语言交互简化测试流程，支持动作执行、数据查询和页面断言，提供可视化报告，适用于多种应用场景。

ASAL 是由 Sakana AI 联合 OpenAI 等机构推出的自动化搜索人工生命系统，基于基础模型实现多种搜索机制，扩展了人工生命研究的边界。

TRELLIS 是由微软、清华大学和中国科学技术大学联合推出的高质量 3D 生成模型，能够根据文本或图像提示生成多样化的 3D 资产，支持多种输出格式和灵活编辑。

Browser Use 是一款专为大语言模型设计的智能浏览器工具，支持多标签页管理、视觉识别、内容提取等功能，并能记录和重复执行特定动作，适用于多种应用场景。