[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fauxpilot--fauxpilot":3,"tool-fauxpilot--fauxpilot":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":64,"owner_name":64,"owner_avatar_url":73,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":108,"github_topics":74,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":112},4906,"fauxpilot\u002Ffauxpilot","fauxpilot","FauxPilot - an open-source alternative to GitHub Copilot server","fauxpilot 是一个开源的本地化代码补全解决方案，旨在为开发者提供 GitHub Copilot 的免费替代方案。它允许用户在完全离线且私有的环境中运行智能代码建议服务，有效解决了依赖云端服务可能带来的数据隐私泄露、网络延迟以及订阅费用高昂等问题。\n\n该项目主要面向具备一定技术基础的软件开发者和研究人员，特别是那些需要在内网环境工作或对代码安全性有极高要求的团队。使用 fauxpilot 需要用户拥有支持 CUDA 的 NVIDIA 显卡，并熟悉 Docker 容器化部署流程。\n\n在技术实现上，fauxpilot 巧妙结合了 Salesforce 的 CodeGen 大语言模型与 NVIDIA 的 Triton 推理服务器，并采用 FasterTransformer 后端进行加速。这种架构不仅支持将大型模型拆分到多张显卡上运行以降低显存门槛，还提供了兼容 OpenAI API、Copilot 插件及 REST 接口等多种连接方式，方便用户将其无缝集成到 VS Code 等常用编辑器中。虽然项目目前处于社区维护状态，缺乏正式的商业支持，但其灵活的本地部署能力为追求自主可控的开发体验","fauxpilot 是一个开源的本地化代码补全解决方案，旨在为开发者提供 GitHub Copilot 的免费替代方案。它允许用户在完全离线且私有的环境中运行智能代码建议服务，有效解决了依赖云端服务可能带来的数据隐私泄露、网络延迟以及订阅费用高昂等问题。\n\n该项目主要面向具备一定技术基础的软件开发者和研究人员，特别是那些需要在内网环境工作或对代码安全性有极高要求的团队。使用 fauxpilot 需要用户拥有支持 CUDA 的 NVIDIA 显卡，并熟悉 Docker 容器化部署流程。\n\n在技术实现上，fauxpilot 巧妙结合了 Salesforce 的 CodeGen 大语言模型与 NVIDIA 的 Triton 推理服务器，并采用 FasterTransformer 后端进行加速。这种架构不仅支持将大型模型拆分到多张显卡上运行以降低显存门槛，还提供了兼容 OpenAI API、Copilot 插件及 REST 接口等多种连接方式，方便用户将其无缝集成到 VS Code 等常用编辑器中。虽然项目目前处于社区维护状态，缺乏正式的商业支持，但其灵活的本地部署能力为追求自主可控的开发体验提供了极佳的选择。","\n# FauxPilot\n\nThis is an attempt to build a locally hosted alternative to [GitHub Copilot](https:\u002F\u002Fcopilot.github.com\u002F). It uses the [SalesForce CodeGen](https:\u002F\u002Fgithub.com\u002Fsalesforce\u002FCodeGen) models inside of NVIDIA's [Triton Inference Server](https:\u002F\u002Fdeveloper.nvidia.com\u002Fnvidia-triton-inference-server) with the [FasterTransformer backend](https:\u002F\u002Fgithub.com\u002Ftriton-inference-server\u002Ffastertransformer_backend\u002F).\n\n\u003Cp align=\"right\">\n  \u003Cimg width=\"50%\" align=\"right\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffauxpilot_fauxpilot_readme_5afd0427a974.png\">\n\u003C\u002Fp>\n\n## Prerequisites\n\nYou'll need:\n\n* Docker\n* `docker compose` >= 1.28\n* An NVIDIA GPU with Compute Capability >= 6.0 and enough VRAM to run the model you want.\n* [`nvidia-docker`](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)\n* `curl` and `zstd` for downloading and unpacking the models.\n\nNote that the VRAM requirements listed by `setup.sh` are *total* -- if you have multiple GPUs, you can split the model across them. So, if you have two NVIDIA RTX 3080 GPUs, you *should* be able to run the 6B model by putting half on each GPU.\n\n\n## Support and Warranty\n\nlmao\n\nOkay, fine, we now have some minimal information on [the wiki](https:\u002F\u002Fgithub.com\u002Fmoyix\u002Ffauxpilot\u002Fwiki) and a [discussion forum](https:\u002F\u002Fgithub.com\u002Fmoyix\u002Ffauxpilot\u002Fdiscussions) where you can ask questions. Still no formal support or warranty though!\n\n\n\n## Setup\n\nThis section describes how to install a Fauxpilot server and clients.\n\n### Setting up a FauxPilot Server\n\nRun the setup script to choose a model to use. This will download the model from [Huggingface\u002FMoyix](https:\u002F\u002Fhuggingface.co\u002FMoyix) in GPT-J format and then convert it for use with FasterTransformer.\n\nPlease refer to [How to set-up a FauxPilot server](documentation\u002Fserver.md).\n\n\n### Client configuration for FauxPilot\n\nWe offer some ways to connect to FauxPilot Server. For example, you can create a client by how to open the Openai API, Copilot Plugin, REST API.\n\nPlease refer to [How to set-up a client](documentation\u002Fclient.md).\n\n\n## Terminology\n * API: Application Programming Interface\n * CC: Compute Capability\n * CUDA: Compute Unified Device Architecture\n * FT: Faster Transformer\n * JSON: JavaScript Object Notation \n * gRPC: Remote Procedure call by Google\n * GPT-J: A transformer model trained using Ben Wang's Mesh Transformer JAX \n * REST: REpresentational State Transfer\n","# FauxPilot\n\n这是一个尝试构建本地托管的 [GitHub Copilot](https:\u002F\u002Fcopilot.github.com\u002F) 替代方案的项目。它在 NVIDIA 的 [Triton 推理服务器](https:\u002F\u002Fdeveloper.nvidia.com\u002Fnvidia-triton-inference-server) 中使用了 [SalesForce CodeGen](https:\u002F\u002Fgithub.com\u002Fsalesforce\u002FCodeGen) 模型，并搭配 [FasterTransformer 后端](https:\u002F\u002Fgithub.com\u002Ftriton-inference-server\u002Ffastertransformer_backend\u002F)。\n\n\u003Cp align=\"right\">\n  \u003Cimg width=\"50%\" align=\"right\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffauxpilot_fauxpilot_readme_5afd0427a974.png\">\n\u003C\u002Fp>\n\n## 先决条件\n\n你需要：\n\n* Docker\n* `docker compose` ≥ 1.28\n* 一台计算能力（CC）≥ 6.0 且显存足以运行你所需模型的 NVIDIA GPU。\n* [`nvidia-docker`](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)\n* `curl` 和 `zstd`，用于下载和解压模型。\n\n请注意，`setup.sh` 脚本中列出的显存要求是**总和**——如果你有多块 GPU，可以将模型拆分到不同的 GPU 上。例如，如果你有两块 NVIDIA RTX 3080 显卡，那么你可以每块显卡上加载一半的 6B 模型，从而成功运行该模型。\n\n\n## 支持与保修\n\n哈哈哈\n\n好吧，现在我们在 [wiki](https:\u002F\u002Fgithub.com\u002Fmoyix\u002Ffauxpilot\u002Fwiki) 和 [讨论区](https:\u002F\u002Fgithub.com\u002Fmoyix\u002Ffauxpilot\u002Fdiscussions) 上提供了一些基本信息，你可以在那里提问。不过，我们仍然不提供正式的支持或保修！\n\n\n\n## 安装\n\n本节介绍如何安装 FauxPilot 服务器和客户端。\n\n### 设置 FauxPilot 服务器\n\n运行设置脚本以选择要使用的模型。此脚本会从 [Huggingface\u002FMoyix](https:\u002F\u002Fhuggingface.co\u002FMoyix) 下载 GPT-J 格式的模型，然后将其转换为适用于 FasterTransformer 的格式。\n\n请参阅 [如何设置 FauxPilot 服务器](documentation\u002Fserver.md)。\n\n\n### FauxPilot 客户端配置\n\n我们提供了几种连接到 FauxPilot 服务器的方式。例如，你可以通过 OpenAI API、Copilot 插件或 REST API 来创建客户端。\n\n请参阅 [如何设置客户端](documentation\u002Fclient.md)。\n\n\n## 术语\n * API：应用程序编程接口\n * CC：计算能力\n * CUDA：统一计算架构\n * FT：Faster Transformer\n * JSON：JavaScript 对象表示法\n * gRPC：由 Google 提供的远程过程调用协议\n * GPT-J：基于 Ben Wang 的 Mesh Transformer JAX 训练的 Transformer 模型\n * REST：表述性状态转移","# FauxPilot 快速上手指南\n\nFauxPilot 是一个旨在提供本地化部署的 GitHub Copilot 替代方案。它基于 Salesforce 的 CodeGen 模型，利用 NVIDIA Triton 推理服务器和 FasterTransformer 后端运行，支持在本地 GPU 上实现代码自动补全。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n### 硬件要求\n*   **GPU**: NVIDIA 显卡，计算能力 (Compute Capability) >= 6.0。\n*   **显存 (VRAM)**: 需足够容纳所选模型。\n    *   *提示*: `setup.sh` 列出的显存需求为总量。如果您拥有多张 GPU（例如两张 RTX 3080），可以将模型拆分负载到多卡上运行（如运行 6B 模型）。\n\n### 软件依赖\n*   **Docker**\n*   **Docker Compose**: 版本 >= 1.28\n*   **NVIDIA Docker**: 已安装并配置好 [`nvidia-docker`](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)\n*   **工具链**: `curl` 和 `zstd` (用于下载和解压模型)\n\n## 安装步骤\n\n### 1. 部署 FauxPilot 服务端\n\n运行设置脚本以选择并下载模型。该脚本会从 Hugging Face 下载 GPT-J 格式的模型，并将其转换为 FasterTransformer 格式。\n\n```bash\n# 运行设置脚本（根据提示选择模型大小）\n.\u002Fsetup.sh\n```\n\n> **注意**: 默认情况下模型从 Hugging Face (`Moyix`) 下载。如果国内网络访问较慢，建议配置代理或寻找国内镜像源加速下载过程。\n\n详细的服务器配置说明请参考官方文档：[How to set-up a FauxPilot server](documentation\u002Fserver.md)。\n\n### 2. 配置客户端\n\n服务端启动后，您可以通过多种方式连接：\n*   **OpenAI API 兼容模式**: 大多数支持 OpenAI 接口的编辑器插件均可直接配置使用。\n*   **Copilot 插件**: 配置指向本地服务端。\n*   **REST API \u002F gRPC**: 直接通过接口调用。\n\n详细的客户端配置说明请参考官方文档：[How to set-up a client](documentation\u002Fclient.md)。\n\n## 基本使用\n\n安装完成后，最简单的验证方式是使用 `curl` 命令直接向本地服务发送代码补全请求。\n\n以下示例展示了如何请求代码补全（假设服务运行在默认端口）：\n\n```bash\ncurl http:\u002F\u002Flocalhost:5000\u002Fv1\u002Fcompletions \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\n    \"prompt\": \"def fib(n):\\n    \",\n    \"max_tokens\": 50,\n    \"temperature\": 0.2,\n    \"top_p\": 1,\n    \"n\": 1,\n    \"stream\": false\n  }'\n```\n\n**预期结果**:\n返回的 JSON 数据中将包含 `choices` 字段，其中的 `text` 即为模型生成的后续代码片段。您可以将此逻辑集成到您的 IDE 插件配置中，将 API 端点指向 `http:\u002F\u002Flocalhost:5000\u002Fv1` 即可享受本地代码补全服务。","某金融科技公司后端团队在开发高频交易引擎时，需在严格隔离的内网环境中编写大量高性能 C++ 代码，且严禁代码片段上传至公有云。\n\n### 没有 fauxpilot 时\n- 开发者无法使用 GitHub Copilot 等云端智能助手，因为公司安全策略禁止将任何代码上下文发送至外部服务器。\n- 程序员只能依赖手动查阅文档或复制粘贴历史代码片段，导致重复性样板代码（如内存管理、并发锁逻辑）编写效率极低。\n- 团队不得不购买昂贵的企业级私有化部署方案，或者花费数周时间自行搭建基于通用大模型的推理服务，维护成本高昂且延迟不稳定。\n- 离线状态下缺乏实时的代码补全建议，新手员工容易犯低级语法错误，代码审查（Code Review）的返工率居高不下。\n\n### 使用 fauxpilot 后\n- 团队利用现有 NVIDIA 显卡集群，通过 Docker 快速部署了 fauxpilot，实现了完全本地化的代码生成服务，数据不出内网，完美合规。\n- 开发者在 IDE 中获得了与云端 Copilot 体验一致的实时行级补全，复杂算法逻辑和样板代码的输入速度提升了 40% 以上。\n- 借助 SalesForce CodeGen 模型与 Triton 推理加速，fauxpilot 在多卡环境下实现了低延迟响应，无需额外采购昂贵软件许可，仅用开源硬件即可运行。\n- 智能提示显著减少了语法错误和逻辑漏洞，新员工能更快上手核心模块开发，整体代码交付质量与迭代速度大幅提升。\n\nfauxpilot 让企业在零数据泄露风险的前提下，以极低的成本拥有了自主可控的“私有版 Copilot\"，彻底打破了安全合规与开发效率之间的对立。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffauxpilot_fauxpilot_32b15554.png","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffauxpilot_386d374d.png",null,"https:\u002F\u002Fgithub.com\u002Ffauxpilot",[77,81,85],{"name":78,"color":79,"percentage":80},"Python","#3572A5",80.3,{"name":82,"color":83,"percentage":84},"Shell","#89e051",15.1,{"name":86,"color":87,"percentage":88},"Dockerfile","#384d54",4.6,14750,642,"2026-04-06T22:40:06","MIT",4,"Linux","必需。需要 NVIDIA GPU，计算能力 (Compute Capability) >= 6.0。显存大小取决于所选模型（例如运行 6B 模型需足够显存，支持多卡分摊），未指定具体 CUDA 版本但依赖 nvidia-docker。","未说明",{"notes":98,"python":96,"dependencies":99},"该项目主要通过 Docker 和 docker compose 部署。显存需求是总计值，若拥有多张 GPU，可以将模型拆分到不同显卡上运行（例如两张 RTX 3080 可共同运行 6B 模型）。项目不提供正式支持或保修。模型需从 Huggingface 下载并转换为 FasterTransformer 格式。",[100,101,102,103,104,105,106,107],"Docker","docker compose >= 1.28","nvidia-docker","curl","zstd","NVIDIA Triton Inference Server","FasterTransformer backend","SalesForce CodeGen models",[35,14,52],"2026-03-27T02:49:30.150509","2026-04-07T14:38:01.015002",[],[]]