[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-allenai--Holodeck":3,"tool-allenai--Holodeck":65},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":16},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[13,37],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":108,"github_topics":109,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":148},2979,"allenai\u002FHolodeck","Holodeck","CVPR 2024: Language Guided Generation of 3D Embodied AI Environments.","Holodeck 是一款由艾伦人工智能研究所推出的开源项目，曾入选 CVPR 2024。它核心功能是通过自然语言描述，自动生成高质量的 3D 具身智能（Embodied AI）训练环境。只需输入如“一个客厅”这样的简单指令，Holodeck 就能利用大语言模型理解语义，自动规划空间布局并摆放相应的 3D 资产，最终在 AI2-THOR 仿真平台中构建出可交互的虚拟场景。\n\n这一工具主要解决了传统 3D 环境构建耗时费力、难以大规模定制的问题，为具身智能研究提供了高效的数据生成方案。其技术亮点在于结合了大语言模型的语义理解能力与约束求解算法（支持 DFS 或 MILP），确保生成的房间布局既符合逻辑又多样化。\n\nHolodeck 特别适合从事具身智能、机器人学习及计算机视觉领域的研究人员和开发者使用，帮助他们快速搭建实验所需的仿真环境。同时，对 3D 内容生成感兴趣的技术型设计师也能从中获得灵感。需要注意的是，使用该工具需要一定的编程基础以配置 Python 环境和 Unity 引擎，并拥有 GPT-4o 的访问权限，因此目前更偏向于专业技术人群而非普通大众用户。","\u003Ch2 align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallenai_Holodeck_readme_e03773bcb15e.png\" width=\"200px\"\u002F>\u003Cbr\u002F>\n    Language Guided Generation of 3D Embodied AI Environments\u003Cbr>\n\u003C\u002Fh2>\n\n\u003Ch5 align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallenai_Holodeck_readme_52ab0a2fba8e.png\" width=\"800px\"\u002F>\u003Cbr\u002F>\n\u003C\u002Fh5>\n\n\u003Ch4 align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.09067\">\u003Ci>Paper\u003C\u002Fi>\u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Fyueyang1996.github.io\u002Fholodeck\u002F\">\u003Ci>Project Page\u003C\u002Fi>\u003C\u002Fa>\n\u003C\u002Fh4>\n\n## Requirements\nHolodeck is based on [AI2-THOR](https:\u002F\u002Fai2thor.allenai.org\u002Fithor\u002Fdocumentation\u002F#requirements), and we currently support macOS 10.9+ or Ubuntu 14.04+.\n\n**New Feature**: To add ANY new assets to AI2-THOR, please check the [objathor repo](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fobjathor)!\n\n**Note:** To yield better layouts, use `DFS` as the solver. If you pull the repo before `12\u002F28\u002F2023`, you must set the [argument](https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fblob\u002F386b0a868def29175436dc3b1ed85b6309eb3cad\u002Fmain.py#L78) `--use_milp` to `False` to use `DFS`.\n\n## Installation\nAfter cloning the repo, you can install the required dependencies using the following commands:\n```\nconda create --name holodeck python=3.10\nconda activate holodeck\npip install -r requirements.txt\npip install --extra-index-url https:\u002F\u002Fai2thor-pypi.allenai.org ai2thor==0+8524eadda94df0ab2dbb2ef5a577e4d37c712897\n```\n\n## Data\nDownload the data by running the following commands:\n```bash\npython -m objathor.dataset.download_holodeck_base_data --version 2023_09_23\npython -m objathor.dataset.download_assets --version 2023_09_23\npython -m objathor.dataset.download_annotations --version 2023_09_23\npython -m objathor.dataset.download_features --version 2023_09_23\n```\nby default these will save to `~\u002F.objathor-assets\u002F...`, you can change this director by specifying the `--path` argument.  If you change the `--path`, you'll need to set the `OBJAVERSE_ASSETS_DIR` environment variable to the path where the assets are stored when you use Holodeck.\n\n## Usage\nYou can use the following command to generate a new environment.\n```\npython holodeck\u002Fmain.py --query \"a living room\" --openai_api_key \u003COPENAI_API_KEY>\n```\nOur system uses `gpt-4o-2024-05-13`, **so please ensure you have access to it.**\n\n**Note:** To yield better layouts, use `DFS` as the solver. If you pull the repo before `12\u002F28\u002F2023`, you must set the [argument](https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fblob\u002F386b0a868def29175436dc3b1ed85b6309eb3cad\u002Fmain.py#L78) `--use_milp` to `False` to use `DFS`.\n\n## Load the scene in Unity\n1. Install [Unity](https:\u002F\u002Funity.com\u002Fdownload) and select the editor version `2020.3.25f1`.\n2. Clone [AI2-THOR repository](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fai2thor) and switch to the appropriate AI2-THOR commit.\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fallenai\u002Fai2thor.git\ngit checkout 07445be8e91ddeb5de2915c90935c4aef27a241d\n```\n3. Reinstall some packages:\n```\npip uninstall Werkzeug\npip uninstall Flask\npip install Werkzeug==2.0.1\npip install Flask==2.0.1\n```\n3. Load `ai2thor\u002Funity` as project in Unity and open `ai2thor\u002Funity\u002FAssets\u002FScenes\u002FProcedural\u002FProcedural.unity`.\n4. In the terminal, run [this python script](connect_to_unity.py):\n```\npython connect_to_unity --scene \u003CSCENE_JSON_FILE_PATH>\n```\n5. Press the play button (the triangle) in Unity to view the scene.\n\n## Citation\nPlease cite the following paper if you use this code in your work.\n\n```bibtex\n@InProceedings{Yang_2024_CVPR,\n    author    = {Yang, Yue and Sun, Fan-Yun and Weihs, Luca and VanderBilt, Eli and Herrasti, Alvaro and Han, Winson and Wu, Jiajun and Haber, Nick and Krishna, Ranjay and Liu, Lingjie and Callison-Burch, Chris and Yatskar, Mark and Kembhavi, Aniruddha and Clark, Christopher},\n    title     = {Holodeck: Language Guided Generation of 3D Embodied AI Environments},\n    booktitle = {Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n    month     = {June},\n    year      = {2024},\n    pages     = {16227-16237}\n}\n```\n\u003Cbr \u002F>\n\n\u003Ca href=\"\u002F\u002Fprior.allenai.org\">\n\u003Cp align=\"center\">\u003Cimg width=\"100%\" src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fallenai\u002Fai2thor\u002Fmain\u002Fdoc\u002Fstatic\u002Fai2-prior.svg\" \u002F>\u003C\u002Fp>\n\u003C\u002Fa>\n","\u003Ch2 align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallenai_Holodeck_readme_e03773bcb15e.png\" width=\"200px\"\u002F>\u003Cbr\u002F>\n    基于语言指导的3D具身AI环境生成\u003Cbr>\n\u003C\u002Fh2>\n\n\u003Ch5 align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallenai_Holodeck_readme_52ab0a2fba8e.png\" width=\"800px\"\u002F>\u003Cbr\u002F>\n\u003C\u002Fh5>\n\n\u003Ch4 align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.09067\">\u003Ci>论文\u003C\u002Fi>\u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Fyueyang1996.github.io\u002Fholodeck\u002F\">\u003Ci>项目页面\u003C\u002Fi>\u003C\u002Fa>\n\u003C\u002Fh4>\n\n## 需求\nHolodeck基于[AI2-THOR](https:\u002F\u002Fai2thor.allenai.org\u002Fithor\u002Fdocumentation\u002F#requirements)，目前支持macOS 10.9及以上或Ubuntu 14.04及以上。\n\n**新功能**：若要向AI2-THOR添加任何新资源，请查看[objathor仓库](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fobjathor)！\n\n**注意**：为了获得更好的布局效果，请使用`DFS`作为求解器。如果您在2023年12月28日之前拉取了代码库，则必须将[参数](https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fblob\u002F386b0a868def29175436dc3b1ed85b6309eb3cad\u002Fmain.py#L78) `--use_milp`设置为`False`，以使用`DFS`。\n\n## 安装\n克隆代码库后，您可以使用以下命令安装所需的依赖项：\n```\nconda create --name holodeck python=3.10\nconda activate holodeck\npip install -r requirements.txt\npip install --extra-index-url https:\u002F\u002Fai2thor-pypi.allenai.org ai2thor==0+8524eadda94df0ab2dbb2ef5a577e4d37c712897\n```\n\n## 数据\n通过运行以下命令下载数据：\n```bash\npython -m objathor.dataset.download_holodeck_base_data --version 2023_09_23\npython -m objathor.dataset.download_assets --version 2023_09_23\npython -m objathor.dataset.download_annotations --version 2023_09_23\npython -m objathor.dataset.download_features --version 2023_09_23\n```\n默认情况下，这些文件会保存到`~\u002F.objathor-assets\u002F...`，您可以通过指定`--path`参数来更改此目录。如果更改了`--path`，则在使用Holodeck时需要将`OBJAVERSE_ASSETS_DIR`环境变量设置为资产存储的路径。\n\n## 使用\n您可以使用以下命令生成一个新的环境。\n```\npython holodeck\u002Fmain.py --query \"a living room\" --openai_api_key \u003COPENAI_API_KEY>\n```\n我们的系统使用`gpt-4o-2024-05-13`，**请确保您有权访问它。**\n\n**注意**：为了获得更好的布局效果，请使用`DFS`作为求解器。如果您在2023年12月28日之前拉取了代码库，则必须将[参数](https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fblob\u002F386b0a868def29175436dc3b1ed85b6309eb3cad\u002Fmain.py#L78) `--use_milp`设置为`False`，以使用`DFS`。\n\n## 在Unity中加载场景\n1. 安装[Unity](https:\u002F\u002Funity.com\u002Fdownload)，并选择编辑器版本`2020.3.25f1`。\n2. 克隆[AI2-THOR仓库](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fai2thor)，并切换到相应的AI2-THOR提交。\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fallenai\u002Fai2thor.git\ngit checkout 07445be8e91ddeb5de2915c90935c4aef27a241d\n```\n3. 重新安装一些包：\n```\npip uninstall Werkzeug\npip uninstall Flask\npip install Werkzeug==2.0.1\npip install Flask==2.0.1\n```\n3. 在Unity中将`ai2thor\u002Funity`作为项目加载，并打开`ai2thor\u002Funity\u002FAssets\u002FScenes\u002FProcedural\u002FProcedural.unity`。\n4. 在终端中运行[此Python脚本](connect_to_unity.py)：\n```\npython connect_to_unity --scene \u003CSCENE_JSON_FILE_PATH>\n```\n5. 在Unity中按下播放按钮（三角形）以查看场景。\n\n## 引用\n如果您在工作中使用此代码，请引用以下论文。\n\n```bibtex\n@InProceedings{Yang_2024_CVPR,\n    author    = {Yang, Yue and Sun, Fan-Yun and Weihs, Luca and VanderBilt, Eli and Herrasti, Alvaro and Han, Winson and Wu, Jiajun and Haber, Nick and Krishna, Ranjay and Liu, Lingjie and Callison-Burch, Chris and Yatskar, Mark and Kembhavi, Aniruddha and Clark, Christopher},\n    title     = {Holodeck: Language Guided Generation of 3D Embodied AI Environments},\n    booktitle = {IEEE\u002FCVF计算机视觉与模式识别会议（CVPR） proceedings},\n    month     = {六月},\n    year      = {2024},\n    pages     = {16227-16237}\n}\n```\n\u003Cbr \u002F>\n\n\u003Ca href=\"\u002F\u002Fprior.allenai.org\">\n\u003Cp align=\"center\">\u003Cimg width=\"100%\" src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fallenai\u002Fai2thor\u002Fmain\u002Fdoc\u002Fstatic\u002Fai2-prior.svg\" \u002F>\u003C\u002Fp>\n\u003C\u002Fa>","# Holodeck 快速上手指南\n\nHolodeck 是一个基于自然语言引导生成 3D 具身智能（Embodied AI）环境的开源工具，底层依赖 AI2-THOR 框架。\n\n## 环境准备\n\n*   **操作系统**：macOS 10.9+ 或 Ubuntu 14.04+\n*   **Python 版本**：3.10\n*   **前置依赖**：\n    *   Conda 包管理器\n    *   OpenAI API Key（需拥有 `gpt-4o-2024-05-13` 模型访问权限）\n    *   Unity Editor（仅用于可视化场景，版本需为 `2020.3.25f1`）\n\n## 安装步骤\n\n### 1. 创建虚拟环境并安装依赖\n克隆仓库后，执行以下命令配置 Python 环境：\n\n```bash\nconda create --name holodeck python=3.10\nconda activate holodeck\npip install -r requirements.txt\npip install --extra-index-url https:\u002F\u002Fai2thor-pypi.allenai.org ai2thor==0+8524eadda94df0ab2dbb2ef5a577e4d37c712897\n```\n\n### 2. 下载数据资源\n运行以下脚本下载基础数据、资产、标注和特征文件（默认保存至 `~\u002F.objathor-assets\u002F`）：\n\n```bash\npython -m objathor.dataset.download_holodeck_base_data --version 2023_09_23\npython -m objathor.dataset.download_assets --version 2023_09_23\npython -m objathor.dataset.download_annotations --version 2023_09_23\npython -m objathor.dataset.download_features --version 2023_09_23\n```\n\n> **注意**：若通过 `--path` 参数指定了其他存储路径，使用前需设置环境变量 `OBJAVERSE_ASSETS_DIR` 指向该路径。\n\n## 基本使用\n\n### 生成 3D 环境\n使用以下命令即可根据自然语言描述生成场景。请将 `\u003COPENAI_API_KEY>` 替换为你的实际密钥。\n\n```bash\npython holodeck\u002Fmain.py --query \"a living room\" --openai_api_key \u003COPENAI_API_KEY>\n```\n\n> **优化建议**：为了获得更优的布局效果，建议使用 `DFS` 作为求解器。如果你在 2023 年 12 月 28 日之前拉取的代码，需在命令中添加参数 `--use_milp False` 以启用 DFS。\n\n### （可选）在 Unity 中加载场景\n若需在 Unity 编辑器中查看生成的场景，请按以下步骤操作：\n\n1.  安装 Unity Editor `2020.3.25f1`。\n2.  克隆 AI2-THOR 仓库并切换至指定 commit：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fallenai\u002Fai2thor.git\n    git checkout 07445be8e91ddeb5de2915c90935c4aef27a241d\n    ```\n3.  重装特定版本的 Flask 和 Werkzeug：\n    ```bash\n    pip uninstall Werkzeug\n    pip uninstall Flask\n    pip install Werkzeug==2.0.1\n    pip install Flask==2.0.1\n    ```\n4.  在 Unity 中打开项目 `ai2thor\u002Funity`，并加载场景 `ai2thor\u002Funity\u002FAssets\u002FScenes\u002FProcedural\u002FProcedural.unity`。\n5.  在终端运行连接脚本（替换 `\u003CSCENE_JSON_FILE_PATH>` 为生成的场景文件路径）：\n    ```bash\n    python connect_to_unity --scene \u003CSCENE_JSON_FILE_PATH>\n    ```\n6.  点击 Unity 编辑器中的播放按钮（三角形图标）即可查看场景。","某具身智能（Embodied AI）研究团队正在训练家庭服务机器人，急需大量符合特定语义描述的 3D 室内场景数据来验证算法的泛化能力。\n\n### 没有 Holodeck 时\n- **人工建模成本极高**：美术人员需手动在 Unity 或 Blender 中逐个搭建房间，耗时数天才能完成一个高质量场景，难以满足大规模训练需求。\n- **场景多样性受限**：手动布局容易陷入固定模式，导致训练数据缺乏长尾分布（如“杂乱的书房”或“极简风客厅”），机器人易过拟合。\n- **语义对齐困难**：研究人员难以精确控制场景中的物体关系（例如“沙发必须在窗户旁边”），反复修改配置文件效率低下且易出错。\n- **迭代周期漫长**：从提出新场景构想到获得可运行的仿真环境，通常需要数周时间，严重拖慢算法验证进度。\n\n### 使用 Holodeck 后\n- **自然语言即时生成**：研究人员只需输入“一个充满阳光的现代客厅，地毯在沙发前”，Holodeck 即可调用 GPT-4o 和求解器自动布局，几分钟内输出完整 3D 场景。\n- **无限场景变体**：通过微调提示词，可快速生成成千上万种不同风格、物体组合及空间结构的场景，显著提升训练数据的丰富度。\n- **精准语义控制**：工具能准确理解复杂的空间约束指令，确保生成的环境严格符合实验设定的逻辑关系，无需人工二次调整。\n- **研发效率飞跃**：场景构建时间从“周级”缩短至“分钟级”，团队可全天候自动化生产数据，大幅加速模型迭代与论文复现。\n\nHolodeck 将繁琐的 3D 环境构建转化为简单的自然语言交互，彻底解决了具身智能研究中高保真训练数据稀缺的核心瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fallenai_Holodeck_e03773bc.png","allenai","Ai2","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fallenai_65c450d5.png","",null,"ai2-info@allenai.org","http:\u002F\u002Fwww.allenai.org","https:\u002F\u002Fgithub.com\u002Fallenai",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",99.8,{"name":90,"color":91,"percentage":92},"Makefile","#427819",0.2,536,62,"2026-04-02T03:17:18","Apache-2.0",4,"macOS, Linux","未说明",{"notes":101,"python":102,"dependencies":103},"1. 不支持 Windows 系统，仅支持 macOS 10.9+ 或 Ubuntu 14.04+。\n2. 必须拥有 GPT-4o (gpt-4o-2024-05-13) 的 API 访问权限。\n3. 若需在 Unity 中加载场景，必须安装 Unity 编辑器版本 2020.3.25f1。\n4. 数据默认下载至 ~\u002F.objathor-assets\u002F，若自定义路径需设置 OBJAVERSE_ASSETS_DIR 环境变量。\n5. 为获得更好的布局效果，建议使用 DFS 求解器；若在 2023 年 12 月 28 日前克隆的代码库，需将 --use_milp 参数设为 False。","3.10",[104,105,106,107],"ai2thor==0+8524eadda94df0ab2dbb2ef5a577e4d37c712897","objathor","Werkzeug==2.0.1","Flask==2.0.1",[37,15],[110,111,112,113,114,115],"ai2-thor","generative-ai","large-language-models","text-to-3d","unity","3d-environment","2026-03-27T02:49:30.150509","2026-04-06T08:18:25.398859",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},13745,"推理过程卡住或遇到 'Cannot re-initialize CUDA in forked subprocess' 错误怎么办？","如果在运行推理代码时进程卡住，或者在使用 Ubuntu 20.04\u002F22.04 时遇到 `RuntimeError: Cannot re-initialize CUDA in forked subprocess` 错误，即使将多进程设置为 false 并修复了张量设备仍无效，可以通过在 **main.py** 文件的开头添加以下代码来解决：\n\n`torch.multiprocessing.set_start_method('spawn')`\n\n这能确保 CUDA 在多进程环境下正确初始化。","https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},13746,"为什么 CLIP 的相似度分数需要乘以 100？","乘以 100 是一个超参数设置。目的是让检索系统主要依赖图像相似度（CLIP），而文本相似度（如 SBERT）仅用于防止系统检索到错误类别的对象（粗粒度过滤）。通过放大 CLIP 的权重，可以确保图像特征在最终排序中占主导地位。","https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fissues\u002F30",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},13747,"如何在 Docker 容器中运行 Holodeck 以及需要多少内存？","在 Docker 容器中运行 AI2-THOR (Holodeck) 比较复杂，需要确保正确挂载了 NVIDIA 配置文件，并设置了 `\u002Fdev\u002Fdri` 设备。可以参考相关项目的 Docker README 进行配置。\n关于内存，16GB RAM 通常足够运行该项目，因为大部分繁重的计算任务都卸载到了 OpenAI API 上。如果遇到问题，请检查 Vulkan 驱动是否正确安装（尝试运行 `vulkaninfo` 命令验证）。","https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fissues\u002F27",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},13748,"如何将 Objaverse 的 GLB 模型转换为 Holodeck 所需的资产格式（pkl, albedo, normal, emission）？","如果需要从 Objaverse 的 glb 文件开始，并将其转换为 Holodeck 资产格式所需的 4 个文件（pkl, albedo, normal 和 emission），请参考 **objathor** 仓库中的说明文档。该仓库提供了将 GLB 转换为 THOR 资产的具体功能和脚本：\nhttps:\u002F\u002Fgithub.com\u002Fallenai\u002Fobjathor?tab=readme-ov-file#glb-to-thor-asset-conversion","https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fissues\u002F14",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},13749,"在 Unity 播放模式下加载对象后，为什么物体会下沉或消失？如何修复？","如果在加载场景后物体出现下沉现象，通常是因为设置对象的 Y 轴坐标为 0 导致的。对于地板类对象或其他物体，需要将 Y 轴偏移量设置为 **物体高度的一半**，而不是直接设为 0。这样可以确保物体正确地放置在地面上而不是陷入地下。","https:\u002F\u002Fgithub.com\u002Fallenai\u002FHolodeck\u002Fissues\u002F44",{"id":145,"question_zh":146,"answer_zh":147,"source_url":138},13750,"Holodeck 是如何从数据集中搜索和匹配模型的？","Holodeck 通过迭代数据库中所有模型的元数据，并比较它们的指标（如文本描述相似度和图像视觉相似度）来搜索模型。系统利用 CLIP 进行图像相似度匹配，并利用 BERT\u002FSBERT 进行文本语义匹配，结合两者的得分来检索最符合查询描述的 3D 资产。如果生成场景耗时过长，可能是因为需要遍历大量元数据进行比对。",[]]