[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-microsoft--NUWA":3,"tool-microsoft--NUWA":62},[4,18,26,35,44,53],{"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},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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"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",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":77,"difficulty_score":85,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":125},8377,"microsoft\u002FNUWA","NUWA","A unified 3D Transformer Pipeline for visual synthesis","NUWA 是一套基于 3D Transformer 架构的统一视觉合成预训练框架，旨在让机器像人类一样理解和创造视觉世界。它不仅能从零生成全新的图像与视频，还能对现有素材进行编辑、修复或扩展，灵活支持包括文本生成视频、图像补全在内的八种核心视觉任务。\n\n针对传统模型难以处理高分辨率大图或超长时视频的痛点，NUWA 通过其演进版本展现了强大的扩展能力。例如，NUWA-Infinity 突破了尺寸限制，可生成任意分辨率的图像或无限时长的视频；而 NUWA-XL 则利用“扩散之上的扩散”技术，专门解决极长视频生成的难题。此外，NUWA-LIP 还引入了无缺陷的图像修复机制，确保编辑后的画面自然无痕。\n\n这套工具特别适合人工智能研究人员、计算机视觉开发者以及需要高质量视觉内容生成的创意设计师使用。对于希望探索多模态大模型潜力或构建下一代视觉应用的团队来说，NUWA 提供了坚实的算法基础和丰富的预训练模型。其独特的统一架构设计，使得单一模型即可胜任多种复杂的视觉合成需求，大大降低了多任务建模的门槛，是推动视觉生成技术发展的重要开源项目。","This is the official repo for the following papers: \n \n+ [NÜWA: Visual Synthesis Pre-training for Neural visUal World creAtion](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.12417). (ECCV 2022)\n\n+ [NUWA-Infinity: Autoregressive over Autoregressive Generation for Infinite Visual Synthesis](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.09814). (NeurIPS 2022)\n\n+ [NUWA-LIP: Language Guided Image Inpainting with Defect-free VQGAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F2202.05009). (CVPR 2023)\n\n+ [Learning 3D Photography Videos via Self-supervised Diffusion on Single Images](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.10781). (IJCAI 2023)\n\n+ [NUWA-XL: Diffusion over Diffusion for eXtremely Long Video Generation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.12346). (ACL 2023)\n\n\n## Update 2022\u002F7\u002F13: [NUWA-Infinity](NUWAInfinity.md)\n[\\[Project page\\]](https:\u002F\u002Fnuwa-infinity.microsoft.com\u002F#\u002F) [\\[Paper\\]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.09814) \n\n[NUWA-Infinity](NUWAInfinity.md) is a generative model for infinite visual synthesis, which is defined as the task of generating arbitrarily-sized high-resolution images or long-duration videos.\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_NUWA_readme_2dacae3dd563.gif\" width=\"800\">\n \n\n## Update 2021\u002F11\u002F26: [NÜWA](\u002FNUWA.md)\n[NÜWA](\u002FNUWA.md) is a unified multimodal pre-trained model that can **generate new** or **manipulate existing** visual data (i.e., **images and videos**) for **8** visual synthesis tasks (as shown above).\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_NUWA_readme_f7f5ff618cc3.gif\" width=\"800\">\n\n","这是以下论文的官方仓库：\n\n+ [NÜWA：用于神经视觉世界创建的视觉合成预训练](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.12417)。（ECCV 2022）\n\n+ [NUWA-Infinity：基于自回归生成的无限视觉合成](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.09814)。（NeurIPS 2022）\n\n+ [NUWA-LIP：无瑕疵VQGAN支持的语言引导图像修复](https:\u002F\u002Farxiv.org\u002Fabs\u002F2202.05009)。（CVPR 2023）\n\n+ [通过单张图像上的自监督扩散学习3D摄影视频](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.10781)。（IJCAI 2023）\n\n+ [NUWA-XL：基于扩散模型的超长视频生成](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.12346)。（ACL 2023）\n\n\n## 更新于2022年7月13日：[NUWA-Infinity](NUWAInfinity.md)\n[\\[项目页面\\]](https:\u002F\u002Fnuwa-infinity.microsoft.com\u002F#\u002F) [\\[论文\\]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.09814)\n\n[NUWA-Infinity](NUWAInfinity.md) 是一种用于无限视觉合成的生成模型，其定义为生成任意尺寸的高分辨率图像或长时长视频的任务。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_NUWA_readme_2dacae3dd563.gif\" width=\"800\">\n\n## 更新于2021年11月26日：[NÜWA](\u002FNUWA.md)\n[NÜWA](\u002FNUWA.md) 是一个统一的多模态预训练模型，能够**生成新的**或**操纵现有的**视觉数据（即**图像和视频**），以完成**8项**视觉合成任务（如上所示）。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_NUWA_readme_f7f5ff618cc3.gif\" width=\"800\">","# NUWA 快速上手指南\n\nNUWA 是微软推出的一系列视觉合成预训练模型，支持图像生成、视频生成、图像修复及 3D 摄影等多种任务。本指南基于官方仓库结构，帮助您快速搭建环境并运行基础示例。\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**: Linux (推荐 Ubuntu 18.04\u002F20.04) 或 Windows (需配置 WSL2)。\n*   **Python**: 版本 3.7 或更高。\n*   **GPU**: 推荐使用 NVIDIA GPU (显存建议 16GB 以上以运行视频生成任务)，并安装对应的 CUDA 驱动。\n*   **前置依赖**:\n    *   PyTorch (建议 1.8.0+)\n    *   torchvision\n    *   Apex (可选，用于混合精度加速)\n\n> **国内加速建议**：\n> 安装 Python 依赖时，建议使用清华或阿里镜像源以提升下载速度：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆仓库**\n    获取最新代码库：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA.git\n    cd NUWA\n    ```\n\n2.  **创建虚拟环境**\n    推荐使用 Conda 管理环境：\n    ```bash\n    conda create -n nuwa python=3.8\n    conda activate nuwa\n    ```\n\n3.  **安装核心依赖**\n    首先安装 PyTorch（请根据您的 CUDA 版本选择对应命令，以下为 CUDA 11.1 示例）：\n    ```bash\n    pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html\n    ```\n    \n    接着安装项目所需的其他依赖包：\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n4.  **编译扩展模块 (如需)**\n    部分模型（如 VQGAN 相关组件）可能需要编译 CUDA 扩展。如果 `requirements.txt` 中包含需要编译的库，请确保已安装 `ninja` 和 `cuda-toolkit`：\n    ```bash\n    pip install ninja\n    # 具体编译步骤视子模块文档而定，通常运行 setup.py 即可\n    ```\n\n## 基本使用\n\nNUWA 包含多个子项目（如 `NÜWA`, `NUWA-Infinity`, `NUWA-XL` 等），每个项目有独立的脚本。以下以基础的 **NÜWA** 模型进行文本到图像生成的简单示例流程。\n\n> **注意**：运行前请下载对应的预训练权重文件（Checkpoints），通常存放在 `pretrained_models\u002F` 目录下。具体权重下载地址请参考各子项目的 README (如 `NUWA.md` 或 `NUWAInfinity.md`)。\n\n### 示例：运行文本到图像生成\n\n假设您已下载好 `nuwa.pt` 权重文件，并使用默认的配置文件。\n\n1.  **准备输入数据**\n    创建一个文本文件 `input.txt`，写入提示词：\n    ```text\n    a beautiful sunset over the ocean\n    ```\n\n2.  **执行推理脚本**\n    运行生成脚本（具体脚本名称可能因版本更新略有不同，以下为通用示例）：\n    ```bash\n    python generate.py \\\n        --config configs\u002Fnuwa_base.json \\\n        --checkpoint pretrained_models\u002Fnuwa.pt \\\n        --prompt_file input.txt \\\n        --output_dir outputs\u002F\n    ```\n\n3.  **查看结果**\n    生成的图像将保存在 `outputs\u002F` 目录中。\n\n### 针对特定变体的说明\n\n*   **NUWA-Infinity (无限分辨率\u002F时长)**: 请参考 `NUWAInfinity.md` 中的专用脚本，通常涉及 `autoregressive` 生成逻辑。\n*   **NUWA-XL (超长视频)**: 需要更大的显存，建议使用多卡推理，参考 `configs\u002Fxl_*.json` 配置。\n*   **图像修复 (Inpainting)**: 需同时提供原始图像和 Mask 图像作为输入。\n\n请根据您具体需要的任务，查阅根目录下对应的详细文档（如 `NUWA.md`, `NUWA-LIP.md` 等）以获取针对性的参数配置。","一家数字营销机构的制作团队正急需为某旅游品牌创作一段展示“无限延伸”自然景观的超长宣传视频，以用于户外大屏投放。\n\n### 没有 NUWA 时\n- **分辨率与时长受限**：传统生成模型难以直接输出高分辨率且长时长的视频，强行拉伸会导致画面严重模糊或出现重复伪影。\n- **工作流割裂繁琐**：团队需分别使用不同工具处理图像生成、视频补帧和局部修复，数据在不同模型间转换耗时且易丢失细节。\n- **内容一致性差**：在拼接多段素材时，光影风格和物体运动轨迹难以保持连贯，后期人工逐帧修图成本极高。\n- **创意迭代缓慢**：每次调整剧本需求（如改变天气或扩展场景边界），都意味着近乎重来的渲染等待，严重拖慢交付进度。\n\n### 使用 NUWA 后\n- **无限视觉合成**：利用 NUWA-Infinity 的自回归生成能力，直接产出任意尺寸的高清图像和超长视频，完美契合大屏分辨率需求。\n- **统一流水线作业**：依托 NUWA 统一的 3D Transformer 架构，在一个模型内即可完成从图像生成、视频扩展到缺陷修复的全流程。\n- **时空高度连贯**：模型内置的扩散机制确保了长视频中光影与动态的自然过渡，消除了拼接痕迹，实现了真正的“无缝”视觉体验。\n- **高效灵活迭代**：只需修改文本提示词，NUWA 即可快速重新生成特定片段或扩展场景边界，让创意验证周期从数天缩短至数小时。\n\nNUWA 通过统一的预训练架构打破了视觉合成的尺寸与模态壁垒，让创作者能以前所未有的效率实现“无限”维度的视觉想象。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_NUWA_f7f5ff61.gif","microsoft","Microsoft","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmicrosoft_4900709c.png","Open source projects and samples from Microsoft",null,"opensource@microsoft.com","OpenAtMicrosoft","https:\u002F\u002Fopensource.microsoft.com","https:\u002F\u002Fgithub.com\u002Fmicrosoft",2809,164,"2026-04-12T09:33:19",4,"","未说明",{"notes":89,"python":87,"dependencies":90},"提供的 README 片段仅包含项目简介、相关论文链接及功能概述，未提及具体的运行环境需求（如操作系统、GPU、内存、Python 版本或依赖库）。如需获取详细安装指南，请参考仓库中链接的独立文档（如 NUWAInfinity.md 或 NUWA.md）。",[],[15,61,92],"其他","2026-03-27T02:49:30.150509","2026-04-17T10:20:40.542717",[96,101,106,111,115,120],{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},37501,"NUWA 的代码和预训练模型何时发布？","社区用户非常期待代码和模型的发布以便进行评估和微调。维护者已在相关讨论中确认代码发布的计划（参见重复议题 #2），建议关注仓库更新以获取最新释放信息。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA\u002Fissues\u002F14",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},37502,"为什么视频预测任务被标记为 V2V（视频到视频），但输入似乎只有一帧图像？","维护者解释称，他们将单帧图像视为只有一帧的特殊视频。因此，图像到视频（Image-to-Video）的生成过程可以被视为视频到视频（Video-to-Video）生成的一个特例。这解释了为何文档中使用 V2V 标签来涵盖此类任务。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA\u002Fissues\u002F1",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},37503,"论文中提到的\"temporal consistency videos\"表述是否准确？","有用户指出论文中将\"temporally consistent videos\"写成了\"temporal consistency videos\"，建议改为形容词形式\"temporally consistent\"以更符合语法习惯。维护者已感谢该建议并确认这是一个用词上的细微修正。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":105},37504,"NUWA 是否支持类似视频修复或风格迁移的真正 V2V 任务？","虽然当前的视频预测模型主要基于单帧输入，但 NUWA-Infinity 架构具备通过条件解码器改变风格的能力（例如从视频标签编码器到照片级真实视频解码器）。对于真正的视频补全或修复任务，目前更多是作为 V2V 的特例处理，未来可能会看到更多关于视频编码器实现的探索。",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},37505,"如何获取论文中提到的具体实现细节以复现结果？","由于代码尚未完全公开，建议先参考论文原文 (https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.12417) 了解架构细节。社区已多次请求开源代码用于评估和微调，维护者表示代码即将发布，请密切关注仓库的动态和 Issue #2 的进展。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},37506,"该仓库是否缺少必要的开源许可证或贡献指南文件？","是的，曾有自动检查指出仓库缺少微软项目必备的标准文件（如 LICENSE 或 CONTRIBUTING.md）。相关问题已通过 Pull Request #11 提交修复，维护团队被提醒尽快合并这些强制性文件以符合开源规范。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FNUWA\u002Fissues\u002F12",[]]