[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cloneofsimo--minDiffusion":3,"tool-cloneofsimo--minDiffusion":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":77,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":77,"difficulty_score":32,"env_os":87,"env_gpu":88,"env_ram":87,"env_deps":89,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},7896,"cloneofsimo\u002FminDiffusion","minDiffusion","Self-contained, minimalistic implementation of diffusion models with Pytorch.","minDiffusion 是一个基于 PyTorch 构建的极简扩散模型教育项目，旨在通过高度精简的代码帮助开发者轻松入门去噪扩散概率模型（DDPM）。面对现有开源实现往往代码庞大、依赖复杂且难以理解的痛点，minDiffusion 将核心逻辑浓缩在不到 200 行代码中，提供了一个完全自包含的运行脚本，让用户无需深究繁琐的工程细节即可快速掌握原理。\n\n该项目非常适合希望深入理解扩散模型底层机制的 AI 初学者、学生以及研究人员。它内置了针对 MNIST、CIFAR-10 和 CelebA 等经典数据集的训练示例，并实现了基础的 U-Net 结构与时间嵌入模块。用户只需简单运行脚本，即可在普通 GPU 上复现图像生成过程，直观观察从噪声到清晰图像的演变。\n\nminDiffusion 的最大亮点在于其“少即是多”的设计理念：它摒弃了前沿但复杂的特性，专注于用最纯粹的代码展示算法核心。这种透明且易于修改的实现方式，使其成为学习扩散模型数学原理和架构设计的理想起点，帮助用户在扎实的基礎上进一步探索 DDIM 或分类器引导等进阶技术。","# minDiffusion\n\n\u003C!-- #region -->\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_5354ac15109b.png\">\n\u003C\u002Fp>\n\nGoal of this educational repository is to provide a self-contained, minimalistic implementation of diffusion models using Pytorch.\n\nMany implementations of diffusion models can be a bit overwhelming. Here, `superminddpm` : under 200 lines of code, fully self contained implementation of DDPM with Pytorch is a good starting point for anyone who wants to get started with Denoising Diffusion Models, without having to spend time on the details.\n\nSimply:\n\n```\n$ python superminddpm.py\n```\n\nAbove script is self-contained. (Of course, you need to have pytorch and torchvision installed. Latest version should suffice. We do not use any cutting edge features.)\n\nIf you want to use the bit more refactored code, that runs CIFAR10 dataset:\n\n```\n$ python train_cifar10.py\n```\n\n\u003C!-- #region -->\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_adc162f6ffb3.png\">\n\u003C\u002Fp>\n\nAbove result took about 2 hours of training on single 3090 GPU. Top 8 images are generated, bottom 8 are ground truth.\n\nHere is another example, trained on 100 epochs (about 1.5 hours)\n\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_b7dbc742bfbe.png\">\n\u003C\u002Fp>\n\nCurrently has:\n\n- [x] Tiny implementation of DDPM\n- [x] MNIST, CIFAR dataset.\n- [x] Simple unet structure. + Simple Time embeddings.\n- [x] CelebA dataset.\n\nTODOS\n\n- [ ] DDIM\n- [ ] Classifier Guidance\n- [ ] Multimodality\n\n# Updates!\n\n- Using more parameter yields better result for MNIST.\n- More comments in superminddpm.py\n","# minDiffusion\n\n\u003C!-- #region -->\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_5354ac15109b.png\">\n\u003C\u002Fp>\n\n这个教育性仓库的目标是提供一个自包含、极简的扩散模型实现，使用 PyTorch 构建。\n\n许多扩散模型的实现可能会让人感到复杂难懂。而在这里，`superminddpm`——一个不到200行代码、完全自包含的基于 PyTorch 的 DDPM 实现——对于任何想要入门去噪扩散模型的人来说，都是一个很好的起点，无需花费时间在细节上。\n\n只需简单运行：\n\n```\n$ python superminddpm.py\n```\n\n上述脚本是完全自包含的。（当然，你需要先安装 PyTorch 和 torchvision，使用最新版本即可。我们没有使用任何前沿特性。）\n\n如果你想尝试经过更多重构、能够运行 CIFAR10 数据集的代码：\n\n```\n$ python train_cifar10.py\n```\n\n\u003C!-- #region -->\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_adc162f6ffb3.png\">\n\u003C\u002Fp>\n\n以上结果是在单张 3090 显卡上训练约2小时得到的。顶部8张图是生成样本，底部8张则是真实标签图像。\n\n再来看一个例子，该模型训练了100个 epoch（大约1.5小时）：\n\n\u003Cp align=\"center\">\n\u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_readme_b7dbc742bfbe.png\">\n\u003C\u002Fp>\n\n目前项目包含：\n\n- [x] 一个极小的 DDPM 实现\n- [x] MNIST 和 CIFAR 数据集支持\n- [x] 简单的 U-Net 结构 + 简单的时间嵌入\n- [x] CelebA 数据集支持\n\n待办事项：\n\n- [ ] DDIM\n- [ ] 分类器引导\n- [ ] 多模态支持\n\n# 更新！\n\n- 使用更多超参数设置后，MNIST 数据集上的生成效果更好。\n- 在 superminddpm.py 中添加了更多注释。","# minDiffusion 快速上手指南\n\nminDiffusion 是一个教育性质的开源项目，旨在提供基于 PyTorch 的极简扩散模型（DDPM）实现。代码量少于 200 行，完全自包含，非常适合开发者快速理解去噪扩散概率模型的核心原理。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.8+\n*   **核心依赖**：\n    *   `torch` (PyTorch)\n    *   `torchvision`\n*   **硬件建议**：虽然可以在 CPU 上运行，但建议使用 NVIDIA GPU（如 RTX 3090）以加速训练过程。\n\n### 依赖安装\n\n推荐使用国内镜像源加速安装：\n\n```bash\npip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> 注：本项目不使用前沿特性，安装最新稳定版即可。\n\n## 安装步骤\n\nminDiffusion 无需复杂的安装过程，只需克隆仓库即可使用：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhyunwoongko\u002FminDiffusion.git\ncd minDiffusion\n```\n\n## 基本使用\n\n项目提供了两个主要的入口脚本，分别适用于不同的学习阶段。\n\n### 1. 极简示例（推荐入门）\n\n运行 `superminddpm.py` 即可体验完全自包含的 DDPM 实现。该脚本代码精简（\u003C200 行），无需额外配置数据集，适合直接阅读代码和理解算法流程。\n\n```bash\npython superminddpm.py\n```\n\n### 2. CIFAR-10 数据集训练\n\n如果您希望尝试更重构化的代码并在真实数据集（CIFAR-10）上进行训练，请运行以下命令：\n\n```bash\npython train_cifar10.py\n```\n\n*   **预期耗时**：在单张 RTX 3090 GPU 上训练约需 2 小时。\n*   **输出结果**：训练完成后将生成样本图像（前 8 张为生成图像，后 8 张为真实图像）。\n\n### 其他支持数据集\n\n当前版本已内置支持以下数据集的训练配置：\n*   MNIST\n*   CIFAR-10 \u002F CIFAR-100\n*   CelebA","一位高校研究生正在准备关于扩散模型（Diffusion Models）的毕业论文，急需从零开始复现 DDPM 算法以验证理论推导，但面对工业级代码库感到无从下手。\n\n### 没有 minDiffusion 时\n- **代码门槛过高**：主流开源实现往往包含数万行代码和复杂的依赖架构，初学者难以区分核心算法逻辑与工程优化细节。\n- **调试成本巨大**：由于缺乏精简的参考基准，一旦生成效果不佳，很难定位是数学公式实现错误还是网络结构问题。\n- **环境配置繁琐**：大型项目通常依赖特定版本的库或复杂的分布式训练设置，在单卡实验环境下难以快速跑通。\n- **学习曲线陡峭**：需要花费数天时间阅读文档和梳理代码结构，严重挤占了用于理解算法原理和进行创新实验的时间。\n\n### 使用 minDiffusion 后\n- **核心逻辑一目了然**：minDiffusion 将完整的 DDPM 实现压缩至 200 行以内，让研究者能直接对照论文公式阅读代码，迅速掌握去噪过程本质。\n- **快速验证与调试**：只需运行单个 Python 脚本即可在本地启动训练，报错时能立即锁定是时间嵌入还是 UNet 结构的问题，大幅缩短排查路径。\n- **开箱即用的轻量体验**：仅依赖基础的 PyTorch 和 torchvision，无需复杂配置，在单张 RTX 3090 上两小时即可完成 CIFAR-10 数据集的训练验证。\n- **专注算法改进**：省去了理解庞大工程架构的时间，研究者可将精力集中在调整超参数或尝试改进扩散步骤等核心科研任务上。\n\nminDiffusion 通过极致精简的代码实现，将扩散模型的学习门槛从“工程重构”降低为“算法阅读”，成为科研人员入门与验证想法的理想跳板。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloneofsimo_minDiffusion_5354ac15.png","cloneofsimo","Simo Ryu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcloneofsimo_60a0386a.jpg","🐱 🐈 \r\ncloneofsimo@gmail.com","KAIST",null,"https:\u002F\u002Fgithub.com\u002Fcloneofsimo",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,1163,149,"2026-04-08T04:27:00","未说明","非必需（可在 CPU 运行），示例中使用 NVIDIA RTX 3090，显存需求未明确但建议 8GB+ 以加速训练",{"notes":90,"python":87,"dependencies":91},"该工具旨在提供极简的扩散模型教学实现，代码少于 200 行。无需特定 CUDA 版本或最新特性，安装最新版的 PyTorch 和 torchvision 即可运行。在单张 RTX 3090 GPU 上训练 CIFAR10 数据集约需 2 小时。",[92,93],"torch","torchvision",[14,15],[96,97],"diffusion","pytorch","2026-03-27T02:49:30.150509","2026-04-16T08:19:15.909425",[],[]]