[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-keijiro--Pix2Pix":3,"tool-keijiro--Pix2Pix":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",140436,2,"2026-04-05T23:32:43",[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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":78,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":78,"difficulty_score":10,"env_os":100,"env_gpu":101,"env_ram":102,"env_deps":103,"category_tags":107,"github_topics":108,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":147},986,"keijiro\u002FPix2Pix","Pix2Pix","Real-time pix2pix implementation with Unity","Pix2Pix 是一个开源工具，帮助 Unity 开发者轻松实现实时图像转换。它基于深度神经网络技术，能将简单草图（比如手绘线条）瞬间变成逼真照片或艺术图像，就像著名的“线稿转猫咪”演示那样流畅互动。传统方法通常需要复杂的框架安装和调优，而 Pix2Pix 内置了轻量级推理引擎，无需额外依赖 TensorFlow 等外部库，直接在 Unity 中运行，大幅降低了集成门槛。\n\n它主要解决了实时 AI 图像处理的落地难题——让开发者摆脱繁琐配置，专注创意实现。例如，游戏设计师可以快速添加草图生成功能，研究人员能高效测试模型效果，普通用户也能通过预置的 Sketch Pad 演示体验趣味绘图。技术亮点在于自研引擎的高效优化：专为 NVIDIA GPU 设计，利用计算着色器实现毫秒级响应，确保在主流硬件上流畅运行（推荐 GTX 1070 以上显卡）。只需下载免费预训练模型，放入 Unity 项目，就能立即上手。无论是开发互动游戏、教育工具还是艺术应用，Pix2Pix 都为创意工作注入了智能动力，让 AI 图像转换变得简单又直观。","Pix2Pix for Unity\n=================\n\nThis is an attempt to run [pix2pix] (image-to-image translation with deep\nneural network) in real time with [Unity]. It contains its own implementation\nof an inference engine, so it doesn't require installation of other neural\nnetwork frameworks.\n\n[pix2pix]: https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix\n[Unity]: https:\u002F\u002Funity3d.com\n\nSketch Pad demo\n---------------\n\n![screenshot](https:\u002F\u002Fi.imgur.com\u002FaXYYjes.gif)\n![screenshot](https:\u002F\u002Fi.imgur.com\u002FTb0nYqU.gif)\n\n**Sketch Pad** is a demonstration that resembles the famous [edges2cats] demo\nbut in real time. You can download a pre-built binary from the [Releases] page.\n\n[Demo video](https:\u002F\u002Fvimeo.com\u002F287778343)\n\n[edges2cats]: https:\u002F\u002Faffinelayer.com\u002Fpixsrv\u002F\n[Releases]: https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Freleases\n\nSystem requirements\n-------------------\n\n- Unity 2018.1\n- Compute shader capability (DX11, Metal, Vulkan, etc.)\n\nAlthough it's implemented in a platform agnostic fashion, many parts of it are\noptimized for NVIDIA GPU architectures. To run the Sketch Pad demo flawlessly,\nit's highly recomended to use a Windows system with GeForce GTX 1070 or greater.\n\nHow to use a trained model\n--------------------------\n\nThis repository doesn't contain any trained model to save the bandwidth and\nstorage quota. To run the example project on Unity Editor, download the\npre-trained [edges2cats model] and copy it into `Assets\u002FStreamingAssets`.\n\n[edges2cats model]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models\u002Fblob\u002Fmaster\u002Fedges2cats_AtoB.pict\n\nThis implementation only supports the `.pict` weight data format which is used\nin Christopher Hesse's [interactive demo]. You can pick one of the [pre-trained\nmodels] or train your own model with using [pix2pix-tensorflow]. To export\nweight data from a checkpoint, please see the description in the\n[export-checkpoint.py] script.\n\n[interactive demo]: https:\u002F\u002Faffinelayer.com\u002Fpixsrv\u002F\n[pre-trained models]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models\n[pix2pix-tensorflow]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow\n[export-checkpoint.py]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow\u002Ftree\u002Fmaster\u002Fserver\n","Pix2Pix for Unity\n=================\n\n这是一个尝试在[Unity]中实时运行[pix2pix]（图像到图像翻译，基于深度神经网络）的项目。它包含了自己的推理引擎（inference engine）实现，因此不需要安装其他神经网络框架。\n\n[pix2pix]: https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix\n[Unity]: https:\u002F\u002Funity3d.com\n\nSketch Pad demo\n---------------\n\n![screenshot](https:\u002F\u002Fi.imgur.com\u002FaXYYjes.gif)\n![screenshot](https:\u002F\u002Fi.imgur.com\u002FTb0nYqU.gif)\n\n**Sketch Pad** 是一个类似于著名[edges2cats]（边缘转猫）演示的实时演示。您可以从[Releases]页面下载预构建的二进制文件。\n\n[Demo video](https:\u002F\u002Fvimeo.com\u002F287778343)\n\n[edges2cats]: https:\u002F\u002Faffinelayer.com\u002Fpixsrv\u002F\n[Releases]: https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Freleases\n\nSystem requirements\n-------------------\n\n- Unity 2018.1\n- 计算着色器（Compute Shader）能力（如DX11、Metal、Vulkan等）\n\n尽管它是以平台无关的方式实现的，但其许多部分针对NVIDIA GPU架构进行了优化。要完美运行Sketch Pad演示，强烈建议使用配备GeForce GTX 1070或更高版本的Windows系统。\n\nHow to use a trained model\n--------------------------\n\n此仓库不包含任何训练好的模型，以节省带宽和存储配额。要在Unity Editor上运行示例项目，请下载预训练的[edges2cats model]并将其复制到`Assets\u002FStreamingAssets`。\n\n[edges2cats model]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models\u002Fblob\u002Fmaster\u002Fedges2cats_AtoB.pict\n\n此实现仅支持Christopher Hesse的[interactive demo]中使用的`.pict` weight data format（.pict权重数据格式）。您可以选择[pre-trained models]中的一个，或使用[pix2pix-tensorflow]训练您自己的模型。要从检查点（checkpoint）导出权重数据，请参阅[export-checkpoint.py]脚本中的描述。\n\n[interactive demo]: https:\u002F\u002Faffinelayer.com\u002Fpixsrv\u002F\n[pre-trained models]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models\n[pix2pix-tensorflow]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow\n[export-checkpoint.py]: https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow\u002Ftree\u002Fmaster\u002Fserver","# Pix2Pix for Unity 快速上手指南\n\n## 环境准备\n\n- **系统要求**：\n  - Unity 2018.1 或更高版本\n  - 支持 Compute Shader 的 GPU（如 DirectX 11、Metal、Vulkan 等）\n  - 推荐 Windows 系统 + NVIDIA GeForce GTX 1070 或更高显卡（确保实时性能流畅）\n\n- **前置依赖**：\n  - 无需安装额外神经网络框架（项目自带推理引擎实现）\n\n## 安装步骤\n\n1. 克隆项目仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix.git\n   ```\n\n2. 下载预训练模型（edges2cats 模型）：\n   ```bash\n   wget https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models\u002Fraw\u002Fmaster\u002Fedges2cats_AtoB.pict\n   ```\n\n3. 将模型文件复制到项目资源目录：\n   ```bash\n   cp edges2cats_AtoB.pict Pix2Pix\u002FAssets\u002FStreamingAssets\u002F\n   ```\n\n## 基本使用\n\n1. 打开 Unity 项目：\n   - 启动 Unity 2018.1+，加载 `Pix2Pix` 项目目录\n\n2. 运行 Sketch Pad 演示：\n   - 在 Unity 编辑器中，打开场景文件：`Assets\u002FScenes\u002FSketchPad.unity`\n   - 点击顶部工具栏的 **Play** 按钮开始运行\n\n3. 实时操作：\n   - 在游戏视图中绘制草图，系统将实时转换为对应图像（效果参考 [Demo video](https:\u002F\u002Fvimeo.com\u002F287778343)）\n\n> **注意**：  \n> - 仅支持 `.pict` 格式模型文件（需从 [pix2pix-tensorflow-models](https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow-models) 获取）  \n> - 模型必须放置在 `Assets\u002FStreamingAssets\u002F` 目录下才能被正确加载","一位独立游戏开发者在Unity中开发角色自定义工具，需要将玩家手绘草图实时转换为高清游戏角色图像以提升设计体验。\n\n### 没有 Pix2Pix 时\n- 草图必须导出到外部AI工具（如Photoshop插件）处理，每次转换等待5分钟以上，频繁打断创作流程\n- 依赖TensorFlow等框架，安装配置复杂且易与Unity冲突，调试耗时占开发时间30%\n- 处理延迟高（平均2-3秒\u002F帧），无法即时预览效果，导致角色设计迭代效率低下\n- 需RTX 3080级高端GPU才能勉强运行，普通开发机卡顿严重，限制团队协作\n- 模型需手动转换格式，适配Unity过程易出错，常导致项目构建失败\n\n### 使用 Pix2Pix 后\n- Unity编辑器内直接集成实时转换，手绘草图瞬间生成角色图像（\u003C100ms响应），保持设计连贯性\n- 自带轻量级推理引擎免去外部框架依赖，安装后5分钟即可运行，部署时间减少90%\n- 基于GPU优化实现60fps流畅渲染，GTX 1070以上显卡即可实时预览，设计反馈即时可见\n- 针对主流游戏显卡优化，普通开发机（如GTX 1660）也能稳定运行，团队协作无障碍\n- 原生支持.pict模型格式，下载预训练模型后拖入Assets文件夹即生效，集成错误归零\n\nPix2Pix让Unity开发者无需深度学习背景也能无缝实现AI驱动的实时图像转换，将角色设计效率提升3倍以上。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeijiro_Pix2Pix_016d5542.png","keijiro","Keijiro Takahashi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkeijiro_4aae66f5.png",null,"Unity Technologies Japan","Japan","keijiro@gmail.com","https:\u002F\u002Fwww.keijiro.tokyo","https:\u002F\u002Fgithub.com\u002Fkeijiro",[85,89,93],{"name":86,"color":87,"percentage":88},"C#","#178600",73.9,{"name":90,"color":91,"percentage":92},"HLSL","#aace60",19.4,{"name":94,"color":95,"percentage":96},"ShaderLab","#222c37",6.7,1043,137,"2026-04-04T20:29:41","Windows","必需，推荐 NVIDIA GeForce GTX 1070 或更高型号，需支持 DX11\u002FMetal\u002FVulkan 计算着色器（未明确显存和 CUDA 版本）","未说明",{"notes":104,"python":102,"dependencies":105},"需手动下载预训练模型文件（.pict 格式）并放入指定目录；虽支持跨平台，但 NVIDIA GPU 优化最佳，Windows 系统运行效果更佳；无需额外神经网络框架依赖。",[106],"Unity 2018.1",[13,54],[109,110,111,112,113],"deep-learning","machine-learning","unity3d","unity","pix2pix","2026-03-27T02:49:30.150509","2026-04-06T08:40:51.320295",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},4388,"如何从训练中获取 .pict 模型文件？","使用 `tools\u002Fexport-checkpoint.py` 脚本导出检查点。具体步骤参考原始仓库的 server 目录：https:\u002F\u002Fgithub.com\u002Faffinelayer\u002Fpix2pix-tensorflow\u002Ftree\u002Fmaster\u002Fserver","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F6",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},4389,"能否使用 CivitAI 或 HuggingFace 上的社区模型？","CivitAI 主要提供 StableDiffusion 模型，而 HuggingFace 社区对 pix2pix（2016年旧架构）关注较少，因此可能不兼容。建议使用专为 pix2pix 训练的模型。","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F17",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},4390,"在 Windows 10 和 Nvidia 显卡上输出异常如何解决？","更新显卡驱动程序。维护者指出驱动版本较旧可能导致问题（如日志中显示 Driver: 23.21.13.8859），更新后通常能修复输出异常。","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F4",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},4391,"Unity 中 pix2pix 效果渲染与 Python 脚本不一致怎么办？","修改 `Pix2PixEffect.cs` 文件：将第102行 `cmd.BlitFullscreenTriangle(context.source, _sourceRT, sheet, 0);` 替换为 `cmd.BuiltinBlit(context.source, _sourceRT);`，并将第121行 `cmd.BlitFullscreenTriangle(_resultRT, context.destination, sheet, 1);` 替换为 `cmd.BuiltinBlit(_resultRT, context.destination);`。","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F16",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},4392,"在 Android 设备上输出总是纯灰色如何解决？","使用 UnityWebRequest 处理文件读取。参考 Unity 官方文档：https:\u002F\u002Fdocs.unity3d.com\u002FManual\u002FUnityWebRequest.html","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F11",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},4393,"如何将游戏相机作为 pix2pix 的输入？","避免同时使用 Scene View 和 Camera View。当仅使用 Camera View 时效果正常（如用户测试：tabbed 模式下单独使用 Camera View）。确保正确设置 RenderTexture 作为输入源。","https:\u002F\u002Fgithub.com\u002Fkeijiro\u002FPix2Pix\u002Fissues\u002F5",[148,153],{"id":149,"version":150,"summary_zh":151,"released_at":152},113509,"v0.1.1","- Fixed an issue where the input image was flipped upside-down before being fed to the network.","2018-09-17T02:26:04",{"id":154,"version":155,"summary_zh":156,"released_at":157},113510,"v0.1.0","Only a Windows 64-bit binary is available at the moment.","2018-09-01T08:17:23"]