[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jostmey--rwa":3,"tool-jostmey--rwa":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",153609,2,"2026-04-13T11:34:59",[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":75,"owner_location":76,"owner_email":77,"owner_twitter":75,"owner_website":75,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":95,"github_topics":97,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":123},7157,"jostmey\u002Frwa","rwa","Machine Learning on Sequential Data Using a Recurrent Weighted Average","rwa 是一款专注于处理序列数据的机器学习开源项目，其核心是一种名为“循环加权平均”（RWA）的新型递归神经网络模型。与传统 RNN 仅依赖上一时刻状态不同，rwa 能够在每一步计算中对过往所有步骤进行加权平均，从而在序列的任意位置间建立直接连接，有效解决了长序列依赖难题。\n\n该模型最大的技术亮点在于高效的计算机制：通过复用前一步的分子与分母数据，它无需在每一步重新计算整个历史序列，既保持了与 LSTM 相当的可扩展性，又显著提升了训练速度。实验数据显示，在多数任务中，rwa 的训练效率比 LSTM 快至少五倍，且随着序列长度增加，其优势更为明显。不过需注意，目前在自然语言处理任务上，其表现尚未达到竞争水平。\n\nrwa 非常适合需要处理长序列数据的 AI 研究人员和深度学习开发者，尤其是那些关注模型训练效率、希望尝试超越传统 LSTM 架构的技术探索者。项目基于 Python3 和 TensorFlow 构建，并提供了 Keras、PyTorch 等多种框架的实现参考，便于用户快速复现与研究。","## Description\n\nThis repository holds the code to a new kind of RNN model for processing sequential data. The model computes a recurrent weighted average (RWA) over every previous processing step. With this approach, the model can form direct connections anywhere along a sequence. This stands in contrast to traditional RNN architectures that only use the previous processing step. A detailed description of the RWA model has been published in a manuscript at [https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01253.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01253.pdf).\n\n![alt text](artwork\u002Ffigure.png \"Comparison of RNN architectures\")\n\nBecause the RWA can be computed as a running average, it does not need to be completely recomputed with each processing step. The numerator and denominator can be saved from the previous step. Consequently, the model scales like that of other RNN models such as the LSTM model.\n\nIn each folder, the RWA model is evaluated on a different task. The performance of the RWA model is compared against a LSTM model. The RWA is found to train considerably faster on most tasks by at least a factor of five. As the sequences become longer, the RWA model scales even better. See the manuscript listed above for the details about each result.\n\nNote: The RWA model has failed to yield competitive results on Natural Language Problems.\n\n## Download\n\n* Download: [zip](https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\u002Fzipball\u002Fmaster)\n* Git: `git clone https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa`\n\n## Requirements\n\nThe code is written in Python3. The scripts have been upgraded to run using version 1.0 of TensorFlow.\n\n## Alternative Implementations\n\n * [RWA model as TensorFlow RNNCell](https:\u002F\u002Fgist.github.com\u002Fjostmey\u002F08e7dd67676f14a06b942ca5e8082360) (My implementation)\n * [RWA model as TensorFlow RNNCell](https:\u002F\u002Fgithub.com\u002Findiejoseph\u002Ftf-rda-cell) (Not tested)\n * [RWA model in Keras](https:\u002F\u002Fgithub.com\u002Fkeisuke-nakata\u002Frwa) (Reproduced results in paper)\n * [RWA model in Keras](https:\u002F\u002Fgist.github.com\u002Fshamatar\u002F55b804cf62b8ee0fa23efdb3ea5a4701) (Not tested)\n * [RWA model in Pytorch](https:\u002F\u002Fgithub.com\u002Fbzcheeseman\u002Fpytorch-rwa) (Unstable branch - Work in progess)\n * [RWA model in Pytorch](https:\u002F\u002Fgist.github.com\u002Fririw\u002F4f3a3b3c1828e6d781b624f378890cb0) (Numerically unstable implementation)\n * [RWA model in Go](https:\u002F\u002Fgithub.com\u002Funixpickle\u002Frwa)\n\n## Acknowledgements\n\nThanks [Alex Nichol](https:\u002F\u002Fgithub.com\u002Funixpickle) for correcting the equations for numerical stability.\n\n## Corrections (Changelog)\n\n - March 17th, 2017: Corrected equations used to rescale the numerator and denominator terms, which is used to avoid overflow and underflow conditions. Results for the RWA model were recomputed.\n - March 26th, 2017: Corrected a bug specific to the code for loading the permuted MNIST task. Results for permuted MNIST task were recomputed.\n - April 3rd, 2017: Corrected bug in the LSTM model. This bug affected all the results except for the copy problem. Results for the LSTM model were recomputed. No significant changes in performance were observed.\n\n","## 描述\n\n本仓库包含一种用于处理序列数据的新型 RNN 模型的代码。该模型在每个前向传播步骤上计算一个递归加权平均值（RWA）。通过这种方法，模型可以在序列中的任意位置建立直接连接。这与传统 RNN 架构仅依赖于前一时刻的状态形成鲜明对比。关于 RWA 模型的详细描述已发表在 [https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01253.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01253.pdf) 的论文中。\n\n![alt text](artwork\u002Ffigure.png \"RNN 架构对比\")\n\n由于 RWA 可以作为滚动平均值来计算，因此无需在每次前向传播时完全重新计算。分子和分母可以从前一时刻保存下来。因此，该模型的计算复杂度与其他 RNN 模型（如 LSTM）相当。\n\n在每个子文件夹中，RWA 模型都会被应用于不同的任务进行评估，并将其性能与 LSTM 模型进行对比。实验表明，在大多数任务上，RWA 模型的训练速度至少快五倍。随着序列长度的增加，RWA 模型的表现会更加优异。有关各实验结果的具体细节，请参阅上述论文。\n\n注意：RWA 模型在自然语言处理任务上的表现并不具有竞争力。\n\n## 下载\n\n* 下载：[zip](https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\u002Fzipball\u002Fmaster)\n* Git：`git clone https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa`\n\n## 要求\n\n代码使用 Python 3 编写，并已升级至 TensorFlow 1.0 版本运行。\n\n## 其他实现\n\n * [作为 TensorFlow RNNCell 的 RWA 模型](https:\u002F\u002Fgist.github.com\u002Fjostmey\u002F08e7dd67676f14a06b942ca5e8082360)（我的实现）\n * [作为 TensorFlow RNNCell 的 RWA 模型](https:\u002F\u002Fgithub.com\u002Findiejoseph\u002Ftf-rda-cell)（未测试）\n * [Keras 中的 RWA 模型](https:\u002F\u002Fgithub.com\u002Fkeisuke-nakata\u002Frwa)（复现了论文中的结果）\n * [Keras 中的 RWA 模型](https:\u002F\u002Fgist.github.com\u002Fshamatar\u002F55b804cf62b8ee0fa23efdb3ea5a4701)（未测试）\n * [PyTorch 中的 RWA 模型](https:\u002F\u002Fgithub.com\u002Fbzcheeseman\u002Fpytorch-rwa)（不稳定分支——仍在开发中）\n * [PyTorch 中的 RWA 模型](https:\u002F\u002Fgist.github.com\u002Fririw\u002F4f3a3b3c1828e6d781b624f378890cb0)（数值不稳定的实现）\n * [Go 语言中的 RWA 模型](https:\u002F\u002Fgithub.com\u002Funixpickle\u002Frwa)\n\n## 致谢\n\n感谢 [Alex Nichol](https:\u002F\u002Fgithub.com\u002Funixpickle) 对方程进行修正，以提高数值稳定性。\n\n## 修正记录（变更日志）\n\n - 2017年3月17日：修正了用于重缩放分子和分母项的公式，以避免溢出和下溢问题。RWA 模型的结果已重新计算。\n - 2017年3月26日：修复了加载打乱 MNIST 数据集任务代码中的一个特定 bug。打乱 MNIST 任务的结果已重新计算。\n - 2017年4月3日：修复了 LSTM 模型中的一个 bug。该 bug 影响了除复制问题之外的所有结果。LSTM 模型的结果已重新计算。性能未发生显著变化。","# RWA 模型快速上手指南\n\nRWA（Recurrent Weighted Average）是一种新型循环神经网络架构，通过对序列中所有历史步骤计算加权平均，实现任意位置间的直接连接。相比传统 RNN 仅依赖上一时刻状态，RWA 在长序列任务中训练速度更快（通常快 5 倍以上），且具备类似的线性扩展能力。\n\n> **注意**：该模型在自然语言处理任务上表现尚未达到竞争水平，更适合其他序列建模场景。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows（需支持 Python 3）\n- **Python 版本**：Python 3.x\n- **深度学习框架**：TensorFlow 1.0\n- **依赖库**：确保已安装 `tensorflow==1.0` 及相关科学计算库（如 `numpy`）\n\n建议在国内使用清华或阿里云镜像加速依赖安装：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.0\n```\n\n## 安装步骤\n\n克隆官方仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\ncd rwa\n```\n\n项目代码已适配 TensorFlow 1.0，无需额外编译。确认环境中 TensorFlow 版本正确即可运行各任务脚本。\n\n## 基本使用\n\n以复制任务（copy problem）为例，进入对应目录并运行评估脚本：\n\n```bash\ncd copy\npython main.py\n```\n\n该脚本将自动初始化 RWA 模型并开始训练，同时对比 LSTM 基线性能。其他任务（如 permuted MNIST、adding problem 等）位于各自子文件夹中，使用方法相同。\n\n如需集成到自己的项目中，可参考社区实现的 TensorFlow RNNCell 版本：\n- 官方 gist 实现：[RWA as TensorFlow RNNCell](https:\u002F\u002Fgist.github.com\u002Fjostmey\u002F08e7dd67676f14a06b942ca5e8082360)\n- Keras 复现版（含论文结果）：[keisuke-nakata\u002Frwa](https:\u002F\u002Fgithub.com\u002Fkeisuke-nakata\u002Frwa)\n\n开发者可根据需求选择合适实现进行定制开发。","某工业物联网团队正在开发一套实时监测大型旋转机械（如风力发电机齿轮箱）振动序列的系统，旨在通过长周期数据预测潜在故障。\n\n### 没有 rwa 时\n- 传统 LSTM 模型在处理长达数万步的传感器时间序列时，训练速度极慢，单次迭代耗时过长，导致算法工程师难以快速验证新特征。\n- 随着监测时间窗口拉长，模型难以有效捕捉早期微弱异常信号与当前状态之间的直接关联，长距离依赖建模能力不足。\n- 显存占用随序列长度线性激增，在边缘计算设备上部署深时序模型时频繁遭遇内存溢出，无法实现端侧实时推理。\n- 梯度消失问题严重，导致模型对序列起始阶段的关键故障前兆“记忆”模糊，漏报率居高不下。\n\n### 使用 rwa 后\n- 利用循环加权平均机制，rwa 将训练速度提升了至少五倍，团队能在数小时内完成原本需要数天的模型调优工作。\n- 模型能够直接在序列任意位置建立连接，精准捕捉到数小时前发生的微小振动突变与当前故障趋势的强相关性。\n- 由于采用运行平均值计算而非全量重算，rwa 在长序列下的内存扩展性优异，成功部署至资源受限的边缘网关中。\n- 数值稳定性增强，有效保留了长序列早期的关键信息，显著降低了对渐进式故障的漏报率，提升了预警准确性。\n\nrwa 通过革新性的循环加权平均架构，在保持 RNN 扩展性的同时，彻底解决了长序列数据处理中的效率瓶颈与记忆丢失难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjostmey_rwa_86828468.png","jostmey","Jared Ostmeyer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjostmey_3ab3888c.jpg",null,"Dallas, TX","jostmey@gmail.com","https:\u002F\u002Fgithub.com\u002Fjostmey",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,600,59,"2026-03-16T03:14:16","NOASSERTION","","未说明",{"notes":91,"python":92,"dependencies":93},"该工具主要基于 TensorFlow 1.0 版本开发。虽然提供了 PyTorch、Keras 和 Go 的替代实现链接，但主仓库代码依赖 TensorFlow 1.0。文档特别指出该模型在自然语言处理任务上未能产生具有竞争力的结果。","Python 3",[94],"TensorFlow==1.0",[14,16,96],"其他",[98,99,100,101,102,103,104],"recurrent-neural-networks","sequential-data","time-series","research","rwa-model","recurrent-weighted-average","deep-memory","2026-03-27T02:49:30.150509","2026-04-14T00:02:59.882745",[108,113,118],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},32140,"在哪里可以阅读相关的研究论文？","论文原定于周一在 ArXiv 发布，但在正式发布前可以通过以下 Dropbox 链接预览：https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fnj6cu0mbfqd0j6o\u002Fmanuscript.pdf?dl=0。作者欢迎读者阅读后提供反馈。","https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\u002Fissues\u002F1",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},32141,"递归反向传播方程在哪里可以找到？为什么在新版本中不可用？","递归反向传播方程存在于论文的旧版本中（https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.01253v2）。维护者将其从更新后的手稿中移除，因为需要重新验证方程的正确性，该想法可能存在缺陷。如果验证通过，未来会重新加入。目前，TensorFlow 将使用标准的反向传播来拟合模型，无需依赖这些递归梯度方程。","https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\u002Fissues\u002F8",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},32142,"实现方程部分（2.3 节）是否缺少了初始化变量 d_0 = 0 的定义？","是的，这是一个遗漏。虽然在方程 (7) 中定义了 s_0 = 0，但 s_0 是拟合到模型的参数，此处确实应该定义为 d_0 = 0。该修正将包含在论文的下一个更新版本中。","https:\u002F\u002Fgithub.com\u002Fjostmey\u002Frwa\u002Fissues\u002F4",[]]