[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-coral--coralnpu":3,"tool-google-coral--coralnpu":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":121,"forks":122,"last_commit_at":123,"license":124,"difficulty_score":10,"env_os":125,"env_gpu":126,"env_ram":126,"env_deps":127,"category_tags":132,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":166},1085,"google-coral\u002Fcoralnpu","coralnpu","A machine learning accelerator core designed for energy-efficient AI at the edge.","Coral NPU是一款专为边缘设备设计的机器学习加速芯片，基于RISC-V架构，专注于高效能AI推理任务。它通过优化计算单元和内存系统，在低功耗场景下实现快速的神经网络运算，适用于智能手表、AR眼镜等 wearable 设备。该芯片包含矩阵运算、向量处理（SIMD）和标量计算三大核心模块，支持32位地址空间和高速缓存内存，结合AXI4总线接口，可灵活与外部处理器协同工作。\n\n其核心优势在于能效比高，采用单周期SRAM设计降低延迟，同时支持RISC-V指令集扩展，提供灵活的定制空间。开发者可通过Bazel工具链快速集成到SoC中，适合需要轻量级AI加速方案的硬件设计团队。对于关注边缘计算性能的开发者和研究人员而言，Coral NPU提供了可靠的开源硬件基础，尤其在物联网、实时图像处理等场景下具有显著优势。","# Coral NPU\n\nCoral NPU is a hardware accelerator for ML inferencing. Coral NPU is an Open Source IP designed by Google Research and is freely available for integration into ultra-low-power System-on-Chips (SoCs) targeting wearable devices such as hearables, augmented reality (AR) glasses and smart watches.\n\nCoral NPU is a neural processing unit (NPU), also known as an AI accelerator or deep-learning processor. Coral NPU is based on the 32-bit RISC-V Instruction Set Architecture (ISA).\n\nCoral NPU includes three distinct processor components that work together: matrix, vector (SIMD), and scalar.\n\n![Coral NPU Archicture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-coral_coralnpu_readme_26565351ad50.png)\n[Coral NPU Architecture Datasheet](https:\u002F\u002Fdevelopers.google.com\u002Fcoral\u002Fguides\u002Fhardware\u002Fdatasheet)\n\n## Coral NPU Features\nCoral NPU offers the following top-level feature set:\n\n* RV32IMF_Zve32x RISC-V instruction set (specifically `rv32imf_zve32x_zicsr_zifencei_zbb`)\n* 32-bit address space for applications and operating system kernels\n* Four-stage processor, in-order dispatch, out-of-order retire\n* Four-way scalar, two-way vector dispatch\n* 128-bit SIMD, 256-bit (future) pipeline\n* 8 KB ITCM memory (tightly-coupled memory for instructions)\n* 32 KB DTCM memory (tightly-coupled memory for data)\n* Both memories are single-cycle-latency SRAM, more efficient than cache memory\n* AXI4 bus interfaces, functioning as both manager and subordinate, to interact with external memory and allow external CPUs to configure Coral NPU\n\n## System Requirements\n\n* Bazel 7.4.1\n* Python 3.9-3.12 (3.13 support is in progress)\n* [SRecord](https:\u002F\u002Fsrecord.sourceforge.net\u002F)\n\n## Quick Start\n\n```bash\n# Ensure that test suite passes\nbazel run \u002F\u002Ftests\u002Fcocotb:core_mini_axi_sim_cocotb\n\n# Build a binary\nbazel build \u002F\u002Fexamples:coralnpu_v2_hello_world_add_floats\n\n# Build the Simulator (non-RVV for shorter build time):\nbazel build \u002F\u002Ftests\u002Fverilator_sim:core_mini_axi_sim\n\n# Run the binary on the simulator:\nbazel-bin\u002Ftests\u002Fverilator_sim\u002Fcore_mini_axi_sim --binary bazel-out\u002Fk8-fastbuild-ST-dd8dc713f32d\u002Fbin\u002Fexamples\u002Fcoralnpu_v2_hello_world_add_floats.elf\n```\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-coral_coralnpu_readme_377b156d1571.png)\n","# Coral NPU\n\nCoral NPU 是用于机器学习推理的硬件加速器。Coral NPU 是由 Google Research 设计的开源 IP，可免费集成到面向可穿戴设备（如耳机、增强现实（AR）眼镜和智能手表）的超低功耗系统级芯片（SoC）中。\n\nCoral NPU 是神经处理单元（NPU），也称为 AI 加速器或深度学习处理器。Coral NPU 基于 32 位 RISC-V 指令集架构（ISA）。\n\nCoral NPU 包含三个独立的处理器组件，它们协同工作：矩阵、向量（SIMD）和标量。\n\n![Coral NPU 架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-coral_coralnpu_readme_26565351ad50.png)\n[Coral NPU 架构数据手册](https:\u002F\u002Fdevelopers.google.com\u002Fcoral\u002Fguides\u002Fhardware\u002Fdatasheet)\n\n## Coral NPU 特性\nCoral NPU 提供以下主要特性：\n\n* RV32IMF_Zve32x RISC-V 指令集（具体为 `rv32imf_zve32x_zicsr_zifencei_zbb`）\n* 32 位地址空间用于应用程序和操作系统内核\n* 四阶段处理器，顺序派发，乱序退行\n* 四路标量，双路向量派发\n* 128 位 SIMD，256 位（未来）流水线\n* 8 KB ITCM 内存（指令紧密耦合内存）\n* 32 KB DTCM 内存（数据紧密耦合内存）\n* 两种内存均为单周期延迟 SRAM，比缓存内存更高效\n* AXI4 总线接口，既作为管理者又作为从属设备，与外部内存交互，并允许外部 CPU 配置 Coral NPU\n\n## 系统要求\n\n* Bazel 7.4.1\n* Python 3.9-3.12（3.13 支持正在进行中）\n* [SRecord](https:\u002F\u002Fsrecord.sourceforge.net\u002F)\n\n## 快速入门\n\n```bash\n# 确保测试套件通过\nbazel run \u002F\u002Ftests\u002Fcocotb:core_mini_axi_sim_cocotb\n\n# 构建二进制文件\nbazel build \u002F\u002Fexamples:coralnpu_v2_hello_world_add_floats\n\n# 构建模拟器（非 RVV 以缩短构建时间）：\nbazel build \u002F\u002Ftests\u002Fverilator_sim:core_mini_axi_sim\n\n# 在模拟器上运行二进制文件：\nbazel-bin\u002Ftests\u002Fverilator_sim\u002Fcore_mini_axi_sim --binary bazel-out\u002Fk8-fastbuild-ST-dd8dc713f32d\u002Fbin\u002Fexamples\u002Fcoralnpu_v2_hello_world_add_floats.elf\n```\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-coral_coralnpu_readme_377b156d1571.png)","# Coral NPU 快速上手指南\n\n## 环境准备\n- **系统要求**  \n  - Bazel 7.4.1  \n  - Python 3.9-3.12（3.13支持正在开发中）  \n  - [SRecord](https:\u002F\u002Fsrecord.sourceforge.net\u002F)  \n\n- **前置依赖**  \n  建议使用国内镜像源加速下载：  \n  ```bash\n  # Bazel 镜像配置（以阿里云为例）\n  export BAZEL_HOME=\u002Fpath\u002Fto\u002Fbazel\n  export PATH=$BAZEL_HOME\u002Fbin:$PATH\n  ```\n\n## 安装步骤\n1. **验证测试套件**  \n   ```bash\n   bazel run \u002F\u002Ftests\u002Fcocotb:core_mini_axi_sim_cocotb\n   ```\n\n2. **构建示例程序**  \n   ```bash\n   bazel build \u002F\u002Fexamples:coralnpu_v2_hello_world_add_floats\n   ```\n\n3. **构建模拟器（非RVV版本）**  \n   ```bash\n   bazel build \u002F\u002Ftests\u002Fverilator_sim:core_mini_axi_sim\n   ```\n\n4. **运行模拟器**  \n   ```bash\n   bazel-bin\u002Ftests\u002Fverilator_sim\u002Fcore_mini_axi_sim --binary bazel-out\u002Fk8-fastbuild-ST-dd8dc713f32d\u002Fbin\u002Fexamples\u002Fcoralnpu_v2_hello_world_add_floats.elf\n   ```\n\n## 基本使用\n最简示例：  \n```bash\n# 构建并运行浮点加法示例\nbazel-bin\u002Fexamples\u002Fcoralnpu_v2_hello_world_add_floats\n```","智能手表开发者团队正在优化一款健康监测应用，需要在低功耗下实时处理心率数据并进行异常检测。  \n\n### 没有 coralnpu 时  \n- 心率传感器数据处理依赖云端计算，每次上传数据需消耗大量电量，续航仅能维持8小时  \n- 实时异常检测算法在本地运行时出现延迟，导致预警响应时间超过3秒  \n- 开发人员需要同时维护多套不同硬件平台的适配代码，开发效率低下  \n- 系统在低功耗模式下无法运行复杂的深度学习模型，功能受限  \n- 硬件厂商要求降低芯片功耗，但现有方案难以平衡性能与能耗  \n\n### 使用 coralnpu 后  \n- 本地AI模型推理功耗降低至1.2W，续航时间延长至24小时  \n- 异常检测算法响应时间缩短至200ms，满足医疗级实时性要求  \n- 开发者只需编写一次核心算法，通过Coral NPU的RISC-V架构自动适配多种SoC  \n- 支持在128bit SIMD指令集下加速卷积运算，模型推理速度提升15倍  \n- 硬件厂商成功将芯片功耗降低40%，同时保持AI功能完整  \n\n核心价值在于通过定制化边缘计算架构，在极低功耗下实现高性能AI推理，彻底改变可穿戴设备的智能交互方式。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-coral_coralnpu_a59fcc98.png","google-coral","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-coral_92851532.png","Open source projects for coral.ai",null,"coral-support@google.com","coral.ai","https:\u002F\u002Fgithub.com\u002Fgoogle-coral",[83,87,91,95,99,103,107,111,115,118],{"name":84,"color":85,"percentage":86},"Emacs Lisp","#c065db",54.2,{"name":88,"color":89,"percentage":90},"SystemVerilog","#DAE1C2",26.1,{"name":92,"color":93,"percentage":94},"C++","#f34b7d",6.4,{"name":96,"color":97,"percentage":98},"Scala","#c22d40",5.4,{"name":100,"color":101,"percentage":102},"Python","#3572A5",4.9,{"name":104,"color":105,"percentage":106},"Starlark","#76d275",1.9,{"name":108,"color":109,"percentage":110},"Tcl","#e4cc98",0.2,{"name":112,"color":113,"percentage":114},"Perl","#0298c3",0.1,{"name":116,"color":117,"percentage":114},"Makefile","#427819",{"name":119,"color":120,"percentage":114},"Verilog","#b2b7f8",2205,261,"2026-04-04T04:43:54","Apache-2.0","Linux, macOS","未说明",{"notes":126,"python":128,"dependencies":129},"3.9-3.12",[130,131],"Bazel 7.4.1","SRecord",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T05:44:17.260327",[136,141,146,151,156,161],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},4873,"运行MobileNet时程序卡住如何解决？","运行MobileNet时若卡在特定步骤，可能需要延长等待时间。建议尝试增加程序运行时间，并检查是否需要访问编译过程中生成的TOSA、linalg等中间文件。若仍无法解决，可尝试使用更长时间进行模拟。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F37",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},4874,"如何解决Windows系统下的构建失败问题？","在Windows 11 + WSL2环境中遇到构建失败时，建议使用Docker镜像（utils\u002F目录下）进行测试。若需本地开发，可检查GCC路径配置，并确保已安装必要的依赖项。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F1",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},4875,"标量核心能否作为完整CPU使用？","标量核心理论上可作为CPU使用，但当前缺少中断控制器和定时器等必要组件，无法实现完整MCU功能。项目暂无计划支持Linux系统运行。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F45",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},4876,"FPGA原型使用的开发板是什么？","目前项目未提供具体开发板型号，相关文档正在开发中。RVV是代码中的主要向量引擎，与Vector vector引擎有区别，具体实现细节需参考代码说明。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F41",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},4877,"如何解决FPGA构建时的ddr4_0缺失问题？","若遇到ddr4_0缺失错误，建议通过Xilinx MIG工具在Vivado中创建DDR IP，并提取生成的IP模块。若需替代方案，可参考Xilinx官方MIG文档进行配置。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F16",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},4878,"项目是否支持macOS开发环境？","当前项目主要针对Linux系统进行开发和测试，macOS支持仍在改进中。建议通过调整Python环境配置尝试运行，但需注意平台兼容性限制。","https:\u002F\u002Fgithub.com\u002Fgoogle-coral\u002Fcoralnpu\u002Fissues\u002F3",[167,172],{"id":168,"version":169,"summary_zh":170,"released_at":171},104390,"m3-initial","M3","2026-04-02T20:39:55",{"id":173,"version":174,"summary_zh":78,"released_at":175},104391,"actions-initial","2025-10-31T20:31:27"]