LightZero

1.6k 189 中等 1 次阅读今天Apache-2.0开发框架

AI 解读由 AI 自动生成，仅供参考

LightZero 是一个轻量级、高效且易于理解的开源算法工具包，旨在将蒙特卡洛树搜索（MCTS）与深度强化学习（RL）无缝结合。它主要解决了在通用序列决策场景中，缺乏统一基准来评估和比较不同 MCTS 算法性能的问题。以往像 AlphaZero 或 MuZero 这样的顶尖算法虽在游戏领域表现卓越，但其实现复杂且难以直接迁移到新场景，而 LightZero 通过提供标准化的接口和丰富的环境支持，大幅降低了研究与复现的门槛。

这款工具特别适合人工智能领域的研究人员、算法开发者以及希望深入理解决策智能的学生使用。无论是想要快速验证新想法的学者，还是致力于构建通用决策系统的工程师，都能从中受益。LightZero 的独特亮点在于其“统一基准”的设计理念，不仅支持多种经典游戏环境，还具备高度的模块化特性，允许用户灵活替换模型组件或调整搜索策略。此外，作为 NeurIPS 2023 的焦点论文成果，它持续吸纳了如 UniZero、ReZero 等前沿研究的进展，确保用户能接触到最新的算法优化方案，是探索高效世界模型与多任务规划的理想起点。

使用场景

某自动驾驶初创公司的算法团队正在研发城市路况下的智能决策系统，需要在复杂多变的交通环境中实现安全且高效的路径规划。

没有 LightZero 时

基准缺失导致重复造轮子：团队需手动复现 AlphaZero 或 MuZero 等经典算法作为基线，耗费数周时间搭建环境且难以保证还原度，严重拖慢研发进度。
场景适配成本高昂：面对从棋盘游戏到连续控制（如车辆驾驶）的不同场景，原有框架缺乏统一接口，每次迁移新任务都需重写大量底层代码。
性能评估标准不一：由于缺乏标准化的评测流程，不同算法版本间的对比实验变量众多，难以客观判断模型改进是否真正有效。
资源消耗难以控制：自行集成的 MCTS 与深度学习模块往往耦合紧密且未优化，导致训练过程显存占用过高，无法在有限算力下进行大规模实验。

使用 LightZero 后

开箱即用的统一基准：直接调用 LightZero 内置的标准化 MCTS 基准套件，几分钟内即可建立可靠的对比基线，将算法验证周期从数周缩短至数天。
通用接口加速任务迁移：利用其统一的序列决策接口，团队无需修改核心逻辑即可将算法从仿真环境快速迁移至真实的车辆控制任务中。
公平高效的性能对标：基于官方提供的标准化评测流程，团队能精准量化策略提升效果，迅速定位模型瓶颈并进行针对性优化。
轻量架构降低算力门槛：得益于 LightZero 轻量化且高效的设计，相同硬件配置下的训练吞吐量显著提升，使得大规模并行实验成为可能。

LightZero 通过提供统一、轻量且高效的 MCTS 基准框架，彻底解决了通用序列决策场景中算法复现难、迁移成本高及评估标准混乱的核心痛点。

运行环境要求

操作系统

未说明

GPU

未说明（项目提及使用混合异构计算编程优化 MCTS，且基于 PyTorch，通常建议配备 NVIDIA GPU 以加速训练，但 README 未明确具体型号或显存要求）

内存

未说明

依赖

notes该工具结合了蒙特卡洛树搜索（MCTS）和深度强化学习（RL）。核心模块包含 Python 和 C++ 两种实现（ptree 和 ctree），因此安装可能需要 C++ 编译环境。支持多种算法（如 AlphaZero, MuZero, UniZero 等）及多种环境（Atari, MuJoCo, 棋类游戏等）。具体版本依赖需参考官方文档或 setup.py，README 中未列出确切版本号。

python3.8+

torch

cython

cpp (用于 ctrees 实现)

快速开始

LightZero

PyPI - Python Version Loc Comments

GitHub Org's stars GitHub commit activity

更新于 2026年3月11日 LightZero-v0.2.0

LightZero 是一个轻量级、高效且易于理解的开源算法工具包，结合了蒙特卡洛树搜索（MCTS）和深度强化学习（RL）。

新闻

[2026.02] 🔥 ScaleZero 论文已被 ICLR 2026 接受为会议论文：《一个模型适用于所有任务：在多任务规划中利用高效的世界模型》(https://arxiv.org/abs/2509.07945)。
[2025.08] ReZero 论文已被 CoRL 2025 RemembeRL 研讨会接受。
[2025.06] UniZero 论文已被 Transactions on Machine Learning Research (TMLR 2025) 接受。
[2023.09] LightZero 论文已被 NeurIPS 2023 数据集与基准赛道接受为 Spotlight Presentation。
[2023.04] LightZero v0.0.1 正式发布。

🔍 背景

以 AlphaZero 和 MuZero 为代表的蒙特卡洛树搜索与深度强化学习的结合，在围棋、Atari 游戏等多种游戏中取得了前所未有的性能水平。这一先进方法也在蛋白质结构预测和矩阵乘法算法搜索等科学领域取得了显著进展。以下是蒙特卡洛树搜索算法系列的历史演进概述： pipeline

🎨 概述

LightZero 是一个基于 PyTorch 的开源算法工具包，结合了蒙特卡洛树搜索（MCTS）和强化学习（RL）。它支持一系列基于 MCTS 的 RL 算法及应用，具有以下几大优势：

轻量级。
高效。
易于理解。

更多详细信息，请参阅特性、框架结构和集成算法。

LightZero 的目标是 推动 MCTS+RL 算法家族的标准化，以加速相关研究与应用。所有实现算法在统一框架下的性能比较见基准测试。

大纲

LightZero

💥 功能特性

轻量级: LightZero 集成了多种 MCTS 算法家族，能够在轻量级框架中解决具有不同属性的决策问题。LightZero 已实现的算法和环境列表请参见此处。

高效性: LightZero 采用混合异构计算编程，以提升 MCTS 算法中最耗时部分的计算效率。

易理解: LightZero 为所有集成的算法提供了详细的文档和算法框架图，帮助用户理解算法的核心，并比较同一种范式下不同算法之间的异同。此外，LightZero 还提供了算法代码实现的函数调用图和网络结构图，便于用户定位关键代码。所有文档均可在这里找到。

🧩 框架结构

Image Description 2

上图展示了 LightZero 的框架流程。下面我们简要介绍三个核心模块：

模型: Model 用于定义网络结构，包括用于初始化网络结构的 __init__ 函数以及用于计算网络前向传播的 forward 函数。

策略: Policy 定义了网络更新及与环境交互的方式，包含三个过程：学习过程、收集过程和评估过程。

MCTS: MCTS 定义了蒙特卡洛搜索树的结构及其与策略模块的交互方式。MCTS 的实现使用 Python 和 C++ 两种语言，分别由 ptree 和 ctree 实现。

关于 LightZero 的文件结构，请参阅 lightzero_file_structure。

🎁 集成的算法

LightZero 是一个基于 PyTorch 的 MCTS 算法库（有时结合 Cython 和 C++），其中包括：

目前 LightZero 支持的环境和算法如下表所示：

环境/算法	AlphaZero	MuZero	采样 MuZero	EfficientZero	采样 EfficientZero	Gumbel MuZero	随机 MuZero	UniZero	采样 UniZero	ReZero
井字棋	✔	✔	🔒	🔒	🔒	✔	🔒	✔	🔒	🔒
五子棋	✔	✔	🔒	🔒	🔒	✔	🔒	✔	🔒	✔
四子连珠	✔	✔	🔒	🔒	🔒	🔒	🔒	✔	🔒	✔
2048	---	✔	🔒	🔒	🔒	🔒	✔	✔	🔒	🔒
国际象棋	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒
围棋	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒	🔒
倒立摆	---	✔	🔒	✔	✔	✔	✔	✔	🔒	✔
单摆	---	✔	✔	✔	✔	✔	✔	🔒	✔	🔒
登月飞船	---	✔	✔	✔	✔	✔	✔	✔	✔	🔒
双足行走者	---	✔	✔	✔	✔	✔	🔒	🔒	✔	🔒
Atar i游戏	---	✔	🔒	✔	✔	✔	✔	✔	🔒	✔
DeepMind 控制	---	---	✔	---	✔	🔒	🔒	🔒	✔	🔒
MuJoCo	---	✔	🔒	✔	✔	🔒	🔒	🔒	🔒	🔒
MiniGrid	---	✔	🔒	✔	✔	🔒	🔒	✔	🔒	🔒
Bsuite	---	✔	🔒	✔	✔	🔒	🔒	✔	🔒	🔒
记忆任务	---	✔	🔒	✔	✔	🔒	🔒	✔	🔒	🔒
三球相加（台球）	---	🔒	🔒	🔒	✔	🔒	🔒	🔒	🔒	🔒
MetaDrive	---	🔒	🔒	🔒	✔	🔒	🔒	🔒	🔒	🔒

^{(1): “✔” 表示该项目已完成并经过充分测试。}

^{(2): “🔒” 表示该项目处于待处理状态（开发中）。}

^{(3): “---” 表示该算法不支持此环境。}

⚙️ 安装说明

您可以通过以下命令从 GitHub 源代码安装最新版本的 LightZero 开发版：

git clone https://github.com/opendilab/LightZero.git
cd LightZero
pip3 install -e .

请注意，LightZero 目前仅支持在 Linux 和 macOS 平台上进行编译。我们正在积极努力将支持扩展到 Windows 平台。在此过渡期间，您的耐心等待将不胜感激。

使用 Docker 安装

我们还提供了一个 Dockerfile，用于搭建运行 LightZero 库所需的所有依赖环境。该 Docker 镜像是基于 Ubuntu 20.04 构建的，并安装了 Python 3.8 以及其他必要的工具和库。以下是使用我们的 Dockerfile 构建 Docker 镜像、从该镜像运行容器，并在容器内执行 LightZero 代码的方法。

下载 Dockerfile：Dockerfile 位于 LightZero 仓库的根目录下。请将此文件下载到本地机器。
准备构建上下文：在本地机器上创建一个空目录，将 Dockerfile 移动到该目录中，并进入该目录。这一步有助于避免在构建过程中向 Docker 守护进程发送不必要的文件。
```
mkdir lightzero-docker
mv Dockerfile lightzero-docker/
cd lightzero-docker/
```
构建 Docker 镜像：使用以下命令构建 Docker 镜像。此命令应在包含 Dockerfile 的目录内执行。
```
docker build -t ubuntu-py38-lz:latest -f ./Dockerfile .
```
从镜像运行容器：使用以下命令以交互模式并带有 Bash shell 启动容器。
```
docker run -dit --rm ubuntu-py38-lz:latest /bin/bash
```
在容器内执行 LightZero 代码：进入容器后，可以使用以下命令运行示例 Python 脚本：
```
python ./LightZero/zoo/classic_control/cartpole/config/cartpole_muzero_config.py
```

🚀 快速入门

训练一个 MuZero 智能体来玩 CartPole：

cd LightZero
python3 -u zoo/classic_control/cartpole/config/cartpole_muzero_config.py

训练一个 MuZero 智能体来玩 Pong：

cd LightZero
python3 -u zoo/atari/config/atari_muzero_segment_config.py

训练一个 MuZero 智能体来玩 TicTacToe：

cd LightZero
python3 -u zoo/board_games/tictactoe/config/tictactoe_muzero_bot_mode_config.py

训练一个 UniZero 智能体来玩 Pong：

cd LightZero
python3 -u zoo/atari/config/atari_unizero_segment_config.py

📚 文档

LightZero 的文档可以在这里找到：LightZero 文档。其中包含了教程和 API 参考。

对于希望自定义环境和算法的用户，我们提供了相关指南：

如果您有任何问题，请随时联系我们获取支持。

📊 基准测试

点击展开

以下是 AlphaZero 和 MuZero 在三种棋类游戏上的基准测试结果：井字棋、连珠四子棋、五子棋。

tictactoe_bot-mode_main connect4_bot-mode_main gomoku_bot-mode_main

以下是 MuZero、带 SSL 的 MuZero、EfficientZero 和采样 EfficientZero 在 [Atari] 游戏中的三个离散动作空间环境上的基准测试结果：Pong、Q*bert、Ms. Pac-Man。

pong_main qbert_main mspacman_main mspacman_sez_K

以下是采样 EfficientZero 使用 Factored/Gaussian 策略表示在三个经典连续动作空间游戏上的基准测试结果：摆锤-v1、月球着陆器连续-v2、双足行走者-v3，以及两个 MuJoCo 连续动作空间游戏：跳鼠-v3、Walker2d-v3。

“Factored Policy” 表示智能体学习一个输出分类分布的策略网络。经过手动离散化后，这五个环境的动作空间维度分别为 11、49 (7^2)、256 (4^4)、64 (4^3) 和 4096 (4^6)。另一方面，“Gaussian Policy” 指的是智能体学习一个直接输出高斯分布参数（均值 μ 和标准差 σ）的策略网络。

pendulum_main pendulum_sez_K lunarlander_main

bipedalwalker_main hopper_main walker2d_main

以下是 GumbelMuZero 和 MuZero（在不同模拟成本下）在四个环境上的基准测试结果：PongNoFrameskip-v4、Ms. Pac-Man NoFrameskip-v4、五子棋、月球着陆器连续-v2。

pong_gmz_ns mspacman_gmz_ns gomoku_bot-mode_gmz_ns lunarlander_gmz_ns

以下是 StochasticMuZero 和 MuZero 在 2048 环境上，面对不同随机性水平（num_chances=2 和 5）时的基准测试结果。

2048_stochasticmz_mz mspacman_gmz_ns

以下是带 SSL 的 MuZero 在 MiniGrid 环境中，采用多种 MCTS 探索机制时的基准测试结果。

keycorridors3r3_exploration fourrooms_exploration

📝 Awesome-MCTS 笔记

论文笔记

以下是上述算法的详细论文笔记（中文）：

点击收起

你也可以参考相关的知乎专栏（中文）：MCTS+RL前沿理论与应用深度解析。

算法概览

以下是上述算法的MCTS原理示意图概览：

点击展开

Awesome-MCTS论文

这里收集了关于蒙特卡洛树搜索的研究论文。本节将持续更新，以追踪MCTS的前沿进展。

经典与基础论文

点击展开

LightZero实现系列

AlphaGo系列

MuZero系列

MCTS分析

MCTS应用

💬 反馈与贡献

在 Github 上提交问题
打开或参与我们的讨论论坛
在 LightZero 的 Discord 服务器中讨论
联系我们的邮箱 (opendilab@pjlab.org.cn)
我们非常感谢所有关于改进 LightZero 的反馈和贡献，无论是算法还是系统设计方面。

🌏 引用

@article{niu2024lightzero,
  title={LightZero: A Unified Benchmark for Monte Carlo Tree Search in General Sequential Decision Scenarios},
  author={Niu, Yazhe and Pu, Yuan and Yang, Zhenjie and Li, Xueyan and Zhou, Tong and Ren, Jiyuan and Hu, Shuai and Li, Hongsheng and Liu, Yu},
  journal={Advances in Neural Information Processing Systems},
  volume={36},
  year={2024}
}

@article{puunizero,
  title={UniZero: Generalized and Efficient Planning with Scalable Latent World Models},
  author={Pu, Yuan and Niu, Yazhe and Yang, Zhenjie and Ren, Jiyuan and Li, Hongsheng and Liu, Yu},
  journal={Transactions on Machine Learning Research}
}

@article{xuan2024rezero,
  title={ReZero: Boosting MCTS-based Algorithms by Backward-view and Entire-buffer Reanalyze},
  author={Xuan, Chunyu and Niu, Yazhe and Pu, Yuan and Hu, Shuai and Liu, Yu and Yang, Jing},
  journal={arXiv preprint arXiv:2404.16364},
  year={2024}
}

@article{pu2025one,
  title={One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning},
  author={Pu, Yuan and Niu, Yazhe and Tang, Jia and Xiong, Junyu and Hu, Shuai and Li, Hongsheng},
  journal={arXiv preprint arXiv:2509.07945},
  year={2025}
}

💓 致谢

本项目部分基于 GitHub 仓库中的以下开创性工作开发而成。我们对这些基础资源表示由衷的感谢：

我们还要特别感谢以下贡献者 @PaParaZz1、@karroyan、@nighood、 @jayyoung0802、@timothijoe、@TuTuHuss、@HarryXuancy、@puyuan1996、@HansBug，感谢他们对本算法库的宝贵贡献和支持。

感谢所有为本项目做出贡献的人：

🏷️ 许可证

本仓库中的所有代码均采用 Apache License 2.0 许可证。

(返回顶部)

LightZero 快速上手指南

LightZero 是一个轻量级、高效且易于理解的开源算法工具包，结合了蒙特卡洛树搜索（MCTS）与深度强化学习（RL），基于 PyTorch 构建。它支持 AlphaZero、MuZero 及其多种变体算法，旨在推动 MCTS+RL 算法家族的标准化研究与应用。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

操作系统: Linux (推荐 Ubuntu 18.04+) 或 macOS。Windows 用户建议使用 WSL2 或 Docker。
Python 版本: Python 3.8 - 3.10。
核心依赖:
- PyTorch >= 1.8.0
- NumPy
- Gym / Gymnasium (用于强化学习环境)
可选加速: 若需极致性能，部分 MCTS 模块支持 C++/Cython 扩展，需安装 gcc 和 cython。

提示：建议创建独立的虚拟环境（如使用 conda 或 venv）以避免依赖冲突。

安装步骤

您可以通过 PyPI 直接安装稳定版，或从源码安装以获取最新功能。

方式一：通过 PyPI 安装（推荐）

这是最快捷的安装方式，适合大多数用户。

pip install LightZero

国内加速方案：如果您在中国大陆，建议使用国内镜像源以提升下载速度：

pip install LightZero -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：从源码安装

如果您需要修改代码或使用最新开发版功能：

git clone https://github.com/opendilab/LightZero.git
cd LightZero
pip install -e .

方式三：使用 Docker（可选）

为避免环境配置问题，您可以直接使用官方提供的 Docker 镜像（如有发布）或根据仓库中的 Dockerfile 构建环境。

# 示例：构建并运行容器（具体指令请参考仓库最新 Docker 文档）
docker build -t lightzero-env .
docker run -it --gpus all lightzero-env

基本使用

LightZero 的设计遵循模块化原则，主要包含 Model（网络结构）、Policy（策略交互）和 MCTS（搜索树）三个核心部分。以下是一个基于 MuZero 算法在 CartPole 环境中运行的最小化示例。

1. 导入模块与配置

首先导入必要的类，并配置算法参数。LightZero 提供了丰富的默认配置。

from lightzero.algorithms import MuZero
from lightzero.envs import CartPoleEnv
from lightzero.config import MuZeroConfig

# 初始化配置
config = MuZeroConfig()
config.env_name = "CartPole-v1"
config.algorithm.learning_steps = 1000  # 设置训练步数（示例设为较小值）
config.mcts.num_simulations = 50        # MCTS 模拟次数

2. 初始化模型与环境

实例化算法对象，它将自动处理神经网络初始化和环境交互逻辑。

# 创建算法实例
algo = MuZero(config)

# 初始化环境
env = CartPoleEnv(config)

3. 运行训练循环

LightZero 将训练过程封装为简单的接口，通常包含数据采集（Collect）、学习（Learn）和评估（Eval）阶段。

# 开始训练
print("Start training...")
algo.train()

# 或者手动控制主循环（高级用法）
# for step in range(config.algorithm.learning_steps):
#     algo.collect_experience(env)
#     algo.learn()
#     if step % 100 == 0:
#         algo.evaluate(env)

4. 查看结果

训练完成后，您可以在指定的日志目录（默认为 ./logs 或配置中指定的路径）查看 TensorBoard 日志，监控奖励曲线和损失函数变化。

tensorboard --logdir ./logs

下一步：

访问官方文档查阅详细的 API 参考和架构图解。
查看 Integrated Algorithms 列表，尝试在 Atari 或 DeepMind Control 等更复杂的环境中运行 AlphaZero 或 UniZero 算法。

版本历史

v0.2.02025/04/09

v0.1.02024/07/12

v0.0.52024/04/16

v0.0.42024/02/21

v0.0.32023/12/07

v0.0.22023/09/21

v0.0.12023/04/14

常见问题

如何配置以使用多张 GPU 进行模型训练？

为什么在 MsPacman 和 SpaceInvaders 等 Atari 游戏上长期运行表现不佳或无法收敛？

在 UniZero 中，num_unroll_steps 和 infer_context_length 这两个参数有什么区别？为什么要设置为不同的值？

如何在频繁变化的网格环境（如挖矿游戏）中对观察空间进行建模？

TensorBoard 中的日志标签 `_step` 和 `_iter` 分别代表什么含义？论文中的曲线基于哪种数据？

如何修改配置以启用温度参数（temperature）的动态衰减？

相似工具推荐

openclaw

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。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。 OpenClaw 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

★ 349.3k|★★★☆☆|1周前

Agent开发框架图像

stable-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。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。

★ 162.1k|★★★☆☆|1周前

开发框架图像Agent

everything-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。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。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

★ 156k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

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。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。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。

★ 108.3k|★★☆☆☆|4天前

开发框架图像Agent

gemini-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。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。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。

★ 100.8k|★★☆☆☆|5天前

插件Agent图像

markitdown

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。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。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

★ 93.4k|★★☆☆☆|1周前

插件开发框架

使用场景

没有 LightZero 时

使用 LightZero 后

运行环境要求

快速开始

LightZero

新闻

🔍 背景

🎨 概述

大纲

💥 功能特性

🧩 框架结构

🎁 集成的算法

⚙️ 安装说明

使用 Docker 安装

🚀 快速入门

📚 文档

📊 基准测试

📝 Awesome-MCTS 笔记

论文笔记

算法概览

Awesome-MCTS论文

经典与基础论文

LightZero实现系列

AlphaGo系列

MuZero系列

MCTS分析

MCTS应用

最新研究与新兴应用

ICML

ICLR

NeurIPS

其他会议或期刊

💬 反馈与贡献

🌏 引用

💓 致谢

🏷️ 许可证

LightZero 快速上手指南

环境准备

安装步骤

方式一：通过 PyPI 安装（推荐）

方式二：从源码安装

方式三：使用 Docker（可选）

基本使用

1. 导入模块与配置

2. 初始化模型与环境

3. 运行训练循环

4. 查看结果

版本历史

常见问题

相似工具推荐

openclaw

stable-diffusion-webui

everything-claude-code

ComfyUI

gemini-cli

markitdown