[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-research--jax3d":3,"tool-google-research--jax3d":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",85092,2,"2026-04-10T11:13:16",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},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",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},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。",75569,"2026-04-14T10:38:48",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},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,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":69,"owner_location":69,"owner_email":69,"owner_twitter":69,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":46,"env_os":80,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":104,"github_topics":69,"view_count":10,"oss_zip_url":69,"oss_zip_packed_at":69,"status":22,"created_at":105,"updated_at":106,"faqs":107,"releases":143},7498,"google-research\u002Fjax3d","jax3d",null,"Jax3D 是 Google Research 推出的一个开源项目集合，旨在利用 JAX 框架的高效计算能力，推动 3D 视觉与生成式人工智能的研究。它并非单一的软件工具，而是一个包含了多个前沿研究项目的代码库，涵盖了从神经辐射场（MobileNeRF）、神经场景表示（NESF）到 3D 内容生成等多个热门方向。\n\n在 3D 深度学习领域，研究人员常面临算法实现复杂、训练速度慢以及不同项目代码难以复用的挑战。Jax3D 通过提供基于 JAX 的高质量参考实现，有效解决了这些问题。它充分利用 JAX 的自动微分和即时编译（XLA）特性，显著加速了模型训练与推理过程，同时保持了代码的简洁性与可维护性，让复杂的 3D 算法更易于理解和扩展。\n\n这款工具主要面向 AI 研究人员、计算机视觉开发者以及对 3D 深度学习感兴趣的高校师生。如果你正在探索神经渲染、3D 重建或尝试构建新的生成式模型，Jax3D 提供了坚实的代码基础和灵感的起点。其独特的亮点在于将谷歌内部的前沿研究成果开源化，并按项目模块化整理，用户可以根据需求直接调用特定子项目（如移动端优化的 NeRF），极大地降低了复现顶级论文的","Jax3D 是 Google Research 推出的一个开源项目集合，旨在利用 JAX 框架的高效计算能力，推动 3D 视觉与生成式人工智能的研究。它并非单一的软件工具，而是一个包含了多个前沿研究项目的代码库，涵盖了从神经辐射场（MobileNeRF）、神经场景表示（NESF）到 3D 内容生成等多个热门方向。\n\n在 3D 深度学习领域，研究人员常面临算法实现复杂、训练速度慢以及不同项目代码难以复用的挑战。Jax3D 通过提供基于 JAX 的高质量参考实现，有效解决了这些问题。它充分利用 JAX 的自动微分和即时编译（XLA）特性，显著加速了模型训练与推理过程，同时保持了代码的简洁性与可维护性，让复杂的 3D 算法更易于理解和扩展。\n\n这款工具主要面向 AI 研究人员、计算机视觉开发者以及对 3D 深度学习感兴趣的高校师生。如果你正在探索神经渲染、3D 重建或尝试构建新的生成式模型，Jax3D 提供了坚实的代码基础和灵感的起点。其独特的亮点在于将谷歌内部的前沿研究成果开源化，并按项目模块化整理，用户可以根据需求直接调用特定子项目（如移动端优化的 NeRF），极大地降低了复现顶级论文的技术门槛。需要注意的是，作为一个研究性质的仓库，它更适合具备一定编程基础和专业背景的用户进行二次开发与实验。","# Jax3D\n\n[![Unittests](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Factions\u002Fworkflows\u002Ftest.yml)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fjax3d.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fjax3d)\n\nSee the `jax3d\u002Fprojects\u002F` folder, and mention these users in your issues:\n- @drebain for `jax3d\u002Fprojects\u002Fgenerative`\n- @czq142857 for `jax3d\u002Fprojects\u002Fmobilenerf`\n- @vorasaurus for `jax3d\u002Fprojects\u002Fnesf`\n\n*This is not an official Google Product.*\n","# Jax3D\n\n[![单元测试](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Factions\u002Fworkflows\u002Ftest.yml)\n[![PyPI 版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fjax3d.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fjax3d)\n\n请参阅 `jax3d\u002Fprojects\u002F` 文件夹，并在提交问题时提及以下用户：\n- @drebain 用于 `jax3d\u002Fprojects\u002Fgenerative`\n- @czq142857 用于 `jax3d\u002Fprojects\u002Fmobilenerf`\n- @vorasaurus 用于 `jax3d\u002Fprojects\u002Fnesf`\n\n*本项目并非 Google 官方产品。*","# Jax3D 快速上手指南\n\nJax3D 是由 Google Research 开源的基于 JAX 的 3D 深度学习工具库，主要用于神经辐射场（NeRF）、3D 生成及神经场景表示等研究项目。\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**：推荐 Linux (Ubuntu) 或 macOS。Windows 用户建议使用 WSL2。\n*   **Python 版本**：Python 3.8 或更高版本。\n*   **前置依赖**：\n    *   已安装 `pip` 包管理工具。\n    *   建议预先安装与您的硬件匹配的 `jax` 和 `jaxlib`（特别是需要 GPU\u002FTPU 加速时）。\n\n> **注意**：Jax3D 包含多个子项目（如 `generative`, `mobilenerf`, `nesf`），不同项目可能依赖特定的额外库，请参考对应子项目的 `requirements.txt`。\n\n## 安装步骤\n\n### 1. 安装基础 JAX (可选但推荐)\n为了确保获得最佳的硬件加速性能，建议先根据官方指引安装 JAX。\n\n**CPU 版本:**\n```bash\npip install jax jaxlib\n```\n\n**GPU 版本 (CUDA 11.x):**\n```bash\npip install \"jax[cuda]\" -f https:\u002F\u002Fstorage.googleapis.com\u002Fjax-releases\u002Fjax_cuda_releases.html\n```\n\n### 2. 安装 Jax3D\n通过 PyPI 直接安装稳定版：\n\n```bash\npip install jax3d\n```\n\n或者从源码安装以获取最新功能：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d.git\ncd jax3d\npip install -e .\n```\n\n> **国内加速提示**：如果下载速度较慢，可使用国内镜像源安装：\n> ```bash\n> pip install jax3d -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nJax3D 主要作为底层库供特定研究项目调用。最简单的使用方式是导入核心模块并验证安装。\n\n### 验证安装\n在 Python 环境中运行以下代码，若无报错则说明安装成功：\n\n```python\nimport jax3d\n\n# 打印版本信息或查看可用模块\nprint(jax3d.__version__) \nprint(dir(jax3d))\n```\n\n### 调用子项目示例\nJax3D 的核心功能分布在 `projects` 目录下。以下是加载 `generative` 模块的示例结构：\n\n```python\nfrom jax3d.projects import generative\n\n# 具体用法需参考各子项目的详细文档和示例脚本\n# 例如初始化某个模型配置\n# config = generative.get_config()\n```\n\n**重要提示**：\n由于 Jax3D 是一个集合库，针对具体任务（如 MobileNeRF 或 NeSF），请直接进入 `jax3d\u002Fprojects\u002F` 下对应的文件夹，查阅该目录下的 `README.md` 或运行其提供的训练\u002F推理脚本以获取完整工作流。","一家自动驾驶初创公司的算法团队正在研发基于神经辐射场（NeRF）的 3D 场景重建系统，旨在利用车载摄像头数据快速生成高保真的城市道路模型。\n\n### 没有 jax3d 时\n- 开发人员需手动编写大量底层 CUDA 内核来处理体渲染（Volume Rendering）中的光线采样与积分，代码冗长且极易出错。\n- 由于缺乏针对 3D 运算优化的现成算子，模型训练速度缓慢，迭代一次参数往往需要数小时，严重拖慢实验进度。\n- 在尝试复现 MobileNeRF 或 NESF 等前沿论文时，团队必须从零搭建框架，难以直接复用谷歌研究团队的核心逻辑。\n- 不同成员编写的 3D 数据处理流程标准不一，导致模块间接口混乱，调试几何变换错误耗费了大量精力。\n\n### 使用 jax3d 后\n- 团队直接调用 jax3d 内置的高效体渲染原语，无需关心底层 GPU 细节，将核心算法代码量减少了约 70%。\n- 借助库中针对 JAX 深度优化的 3D 算子，模型训练吞吐量提升显著，原本数小时的迭代周期缩短至几十分钟。\n- 通过直接引用 `jax3d\u002Fprojects\u002Fmobilenerf` 和 `nesf` 目录下的参考实现，研究人员能快速验证新想法，大幅降低复现门槛。\n- 统一的几何处理接口规范了团队开发流程，光线投射、坐标变换等操作变得标准化，排查 Bug 的时间大幅减少。\n\njax3d 通过提供高性能、标准化的 3D 深度学习原语，让研发团队从繁琐的底层基建中解放出来，专注于核心算法的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_jax3d_fb7186fa.png","google-research","Google Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-research_c23b2adf.png","","https:\u002F\u002Fresearch.google","https:\u002F\u002Fgithub.com\u002Fgoogle-research",[84,88,92],{"name":85,"color":86,"percentage":87},"Python","#3572A5",93.9,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",3.7,{"name":93,"color":94,"percentage":95},"Jupyter Notebook","#DA5B0B",2.4,760,95,"2026-04-09T21:48:36","Apache-2.0","未说明",{"notes":102,"python":100,"dependencies":103},"README 中未提供具体的运行环境需求、依赖库列表或安装说明。该项目包含多个子项目（如 generative, mobilenerf, nesf），具体需求可能因子项目而异，建议查阅各子项目目录或联系指定维护者获取详细信息。",[],[18],"2026-03-27T02:49:30.150509","2026-04-15T04:28:42.814886",[108,113,118,123,128,133,138],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},33610,"在真实数据集上训练的模型效果不如预期，如何解决？","建议尝试使用 LLFF 数据集代替 NeRF_synthetic 数据集，因为前者的格式通常能产生更好的结果。此外，提高输入图像的质量和清晰度也能显著改善训练效果。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F111",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},33611,"运行代码时遇到 'TypeError: sub got incompatible shapes for broadcasting' 错误怎么办？","该错误通常与 JAX 版本不兼容有关。请确保使用以下特定版本：jax 0.2.17 和 jaxlib 0.1.65_cu111。升级或降级到这些版本通常可以解决形状广播不匹配的问题。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F106",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},33612,"在哪里可以下载预训练的 NeRF 检查点（Checkpoints）用于 NeSF 语义模块？","预训练的 NeRF 检查点已发布。每个数据集对应一个 tar 文件，包含三个元素：\n1. `scene_\u003Cscene_id>.density_grid`：存储预计算的密度网格值的 numpy 数组。\n2. `scene_\u003Cscene_id>.params`：配置 NeRF 模型的 JSON 文件。\n3. `scene_\u003Cscene_id>.variables\u002F`：包含 NeRF 模型检查点的文件夹。\n下载地址：https:\u002F\u002Fconsole.cloud.google.com\u002Fstorage\u002Fbrowser\u002Fkubric-public\u002Fdata\u002FNeSFDatasets\u002FNeRF%20checkpoints","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F136",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},33613,"运行 MobileNeRF 时报错 'module 'flax' has no attribute 'optim'' 如何解决？","这是因为最新版的 flax 包中移除了 optim 模块。请安装低于 0.6.0 版本的 flax，例如使用命令：pip install \"flax\u003C0.6.0\"（推荐版本 0.5.3）。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F116",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},33614,"是否计划发布 Synthetic 360 和 Forward Facing 数据集的主观渲染结果图片？","该项目使用的数据集并非作者原创，而是来自 Mipnerf360 项目，相关数据和结果已在 Mipnerf360 官方页面发布。您可以访问 https:\u002F\u002Fjonbarron.info\u002Fmipnerf360 查看相关结果。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F175",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},33615,"是否有将 Instant NeRF 与 Mobile NeRF 结合的项目或代码？","社区中有相关尝试，可以参考这个结合了哈希编码与 MobileNeRF 的项目代码：https:\u002F\u002Fgithub.com\u002Fkim-jinuk\u002Fhash_mobilenerf","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F110",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},33616,"使用 real360 场景生成 HTML 预览时只显示网格碎片，无法完整渲染，如何解决？","这通常是由于环境配置或依赖版本问题导致的。虽然具体修复步骤需视情况而定，但建议首先确认您的机器配置和包版本是否与成功运行 real360 场景的用户一致（特别是 JAX 和 Flax 的版本），并确保 Python 渲染函数能正常输出各阶段图像后再排查 HTML 生成部分。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fjax3d\u002Fissues\u002F125",[]]