[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-pytorch--hub":3,"similar-pytorch--hub":46},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":17,"owner_twitter":17,"owner_website":18,"owner_url":19,"languages":20,"stars":29,"forks":30,"last_commit_at":31,"license":17,"difficulty_score":32,"env_os":33,"env_gpu":33,"env_ram":33,"env_deps":34,"category_tags":38,"github_topics":17,"view_count":40,"oss_zip_url":17,"oss_zip_packed_at":17,"status":41,"created_at":42,"updated_at":43,"faqs":44,"releases":45},3832,"pytorch\u002Fhub","hub","Submission to https:\u002F\u002Fpytorch.org\u002Fhub\u002F","hub 是 PyTorch 官方推出的模型共享与分发平台，旨在让全球开发者能够轻松发布、发现并复用高质量的预训练深度学习模型。它有效解决了以往模型代码分散、加载流程繁琐以及复现困难等痛点，通过标准化的接口让用户仅需几行代码即可直接调用社区贡献的先进模型，无需手动下载权重或配置复杂的环境。\n\n该工具主要面向 AI 研究人员、算法工程师及深度学习开发者。无论是希望快速验证想法的研究者，还是需要在项目中集成成熟模型的工程师，都能从中受益。其核心技术亮点在于基于 `torch.hub` 机制，要求发布者提供标准的 `hubconf.py` 配置文件，从而实现了模型的“即插即用”。此外，hub 建立了严格的提交审核流程，包含自动化代码完整性检查（Sanity Check）和 CI 测试，确保所有上线模型在最新 PyTorch 版本中均可稳定运行。配合 Netlify 预览功能，贡献者还能在合并前实时查看模型文档页面的展示效果。作为一个开放的社区仓库，hub 极大地促进了深度学习生态的协作与知识共享。","# PyTorch Hub\n\n[![CircleCI](https:\u002F\u002Fcircleci.com\u002Fgh\u002Fpytorch\u002Fhub.svg?style=svg)](https:\u002F\u002Fcircleci.com\u002Fgh\u002Fpytorch\u002Fhub)\n\n\n## Logistics\n\nWe accept submission to PyTorch hub through PR in `hub` repo. Once the PR is merged into master here, it will show up on the [PyTorch website](https:\u002F\u002Fpytorch.org\u002Fhub) in 24 hrs.\n\n\n## Steps to submit to PyTorch hub\n\n1. Add a `hubconf.py` in your repo, following the instruction in [torch.hub doc](https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fmaster\u002Fhub.html#publishing-models). Verify it's working correctly by running `torch.hub.load(...)` locally.\n2. Create a PR in `pytorch\u002Fhub` repo. For each new model you have, create a `\u003Crepo_owner>_\u003Crepo_name>_\u003Ctitle>.md` file using this [template](docs\u002Ftemplate.md).\n\n### Notes\n- Currently we don't support hosting pretrained weights, users with pretrained weights need to host them properly themselves.\n- In general we recommend one model per markdown file, models with similar structures like `resnet18, resnet50` should be placed in the same file.\n- If you have images, place them in `images\u002F` folder and link them correctly in the `[images\u002Ffeatured_image_1\u002Ffeatured_image_2]` fields above.\n- We only support a pre-defined set of tags, currently they are listed in [scripts\u002Ftags.py](scripts\u002Ftags.py). We accept PRs to expand this set as needed.\n- To test your PR locally, run the tests below.\n```\npython scripts\u002Fsanity_check.py\n.\u002Fscripts\u002Frun_pytorch.sh\n```\n- Our CI concatenates all python code blocks in one markdown file and runs it against the latest PyTorch release.\n  - Remember to mark your python code using ```` ```python```` in your model's markdown file.\n  - If your `dependencies` are not installed on our CI machine, add them in [install.sh](scripts\u002Finstall.sh).\n  - If it fails, you can find a new `temp.py` file left in the repo to reproduce the failure.\n- We also provide a way to preview your model webpage through `netlify bot`. This bot builds your PR with the latest `pytorch.github.io` repo and comments on your PR with a preview link. The preview will be updated as you push more commits to the PR.\n![Example netlify bot comment](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch_hub_readme_17a0da7ef3ad.png)\n\n","# PyTorch Hub\n\n[![CircleCI](https:\u002F\u002Fcircleci.com\u002Fgh\u002Fpytorch\u002Fhub.svg?style=svg)](https:\u002F\u002Fcircleci.com\u002Fgh\u002Fpytorch\u002Fhub)\n\n\n## 物流信息\n\n我们通过 `hub` 仓库中的 PR 接受向 PyTorch Hub 的提交。一旦 PR 在这里合并到 master 分支，它将在 24 小时内显示在 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fhub) 上。\n\n\n## 向 PyTorch Hub 提交的步骤\n\n1. 在您的仓库中添加一个 `hubconf.py` 文件，按照 [torch.hub 文档](https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fmaster\u002Fhub.html#publishing-models) 中的说明进行操作。通过在本地运行 `torch.hub.load(...)` 来验证其是否正常工作。\n2. 在 `pytorch\u002Fhub` 仓库中创建一个 PR。对于您拥有的每个新模型，请使用此 [模板](docs\u002Ftemplate.md) 创建一个 `\u003Crepo_owner>_\u003Crepo_name>_\u003Ctitle>.md` 文件。\n\n### 注意事项\n- 目前我们不支持托管预训练权重，拥有预训练权重的用户需要自行妥善托管这些权重。\n- 通常建议每个 Markdown 文件只包含一个模型；结构相似的模型，如 `resnet18` 和 `resnet50`，应放在同一个文件中。\n- 如果您有图片，请将其放置在 `images\u002F` 文件夹中，并在上述 `[images\u002Ffeatured_image_1\u002Ffeatured_image_2]` 字段中正确链接。\n- 我们仅支持一组预定义的标签，目前这些标签列在 [scripts\u002Ftags.py](scripts\u002Ftags.py) 中。我们接受扩展该标签集的 PR 请求。\n- 要在本地测试您的 PR，请运行以下测试：\n```\npython scripts\u002Fsanity_check.py\n.\u002Fscripts\u002Frun_pytorch.sh\n```\n- 我们的 CI 会将单个 Markdown 文件中的所有 Python 代码块连接起来，并使用最新的 PyTorch 发布版本运行。\n  - 请务必在模型的 Markdown 文件中使用 ```` ```python```` 标记您的 Python 代码。\n  - 如果您的 `dependencies` 在我们的 CI 机器上未安装，请将其添加到 [install.sh](scripts\u002Finstall.sh) 中。\n  - 如果测试失败，您可以在仓库中找到一个名为 `temp.py` 的新文件，用于重现失败原因。\n- 我们还提供一种通过 `netlify bot` 预览您的模型网页的方式。该机器人会使用最新的 `pytorch.github.io` 仓库构建您的 PR，并在 PR 中留下一个预览链接。每当您向 PR 推送更多提交时，预览内容都会更新。\n![Netlify bot 评论示例](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch_hub_readme_17a0da7ef3ad.png)","# PyTorch Hub 快速上手指南\n\nPyTorch Hub 是一个预训练模型库，旨在简化深度学习模型的发现、加载和复用过程。本指南将帮助你快速提交和使用模型。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python**：建议 Python 3.6 及以上版本\n*   **核心依赖**：已安装最新版本的 PyTorch\n    ```bash\n    pip install torch torchvision\n    ```\n*   **版本控制**：已安装 Git\n*   **网络环境**：能够访问 GitHub 和 PyTorch 官方资源（国内用户若遇下载缓慢，可配置相关代理或使用国内镜像源加速 pip 包安装）\n\n## 安装与提交流程\n\nPyTorch Hub 本身不是一个需要“安装”的独立软件包，而是一个通过 Pull Request (PR) 向 `pytorch\u002Fhub` 仓库贡献模型的流程。一旦合并，模型将在 24 小时内出现在 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fhub)。\n\n### 1. 准备模型仓库\n在你的模型代码仓库根目录下添加一个 `hubconf.py` 文件。\n*   遵循 [torch.hub 文档](https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fmaster\u002Fhub.html#publishing-models) 中的规范编写该文件。\n*   **本地验证**：在本地运行以下命令确保模型可正确加载（替换为你的仓库信息）：\n    ```python\n    import torch\n    model = torch.hub.load('your_github_username\u002Fyour_repo_name', 'model_entry_point', pretrained=True)\n    ```\n\n> **注意**：目前 PyTorch Hub 不提供预训练权重托管服务，你需要自行托管权重文件（如 AWS S3, Google Drive 等），并在代码中提供下载链接。\n\n### 2. 创建 Pull Request\n前往 [`pytorch\u002Fhub`](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fhub) 仓库创建 PR：\n\n1.  **新建文档**：为每个新模型创建一个 Markdown 文件，命名格式为 `\u003Crepo_owner>_\u003Crepo_name>_\u003Ctitle>.md`。\n    *   请使用官方提供的 [模板](docs\u002Ftemplate.md)。\n    *   结构相似的模型（如 `resnet18`, `resnet50`）应放在同一个文件中。\n2.  **处理图片**：如有示意图，请将图片放入 `images\u002F` 文件夹，并在 Markdown 文件的 `featured_image` 字段中正确链接。\n3.  **标签设置**：仅使用预定义的标签列表（见 [scripts\u002Ftags.py](scripts\u002Ftags.py)）。如需新增标签，可单独提交 PR。\n\n### 3. 本地测试与预览\n在提交 PR 前，建议在本地运行测试以确保合规：\n\n```bash\n# 运行完整性检查\npython scripts\u002Fsanity_check.py\n\n# 运行 PyTorch 脚本测试\n.\u002Fscripts\u002Frun_pytorch.sh\n```\n\n**关键检查点：**\n*   Markdown 文件中的 Python 代码块必须标记为 ```` ```python ````。\n*   如果模型依赖额外的库，请在 [scripts\u002Finstall.sh](scripts\u002Finstall.sh) 中添加安装命令，以便 CI 环境能正确构建。\n*   CI 会将所有代码块合并为 `temp.py` 并针对最新 PyTorch 版本运行，失败时可查看该文件复现问题。\n\n**预览功能**：\n提交 PR 后，`netlify bot` 会自动构建预览页面并在评论区提供链接。随着你推送新的 commit，预览链接会自动更新。\n\n## 基本使用\n\n一旦你的模型被合并到主分支，全球开发者即可通过一行代码加载你的模型。以下是用户使用你模型的标准方式：\n\n```python\nimport torch\n\n# 语法：torch.hub.load(仓库所有者\u002F仓库名，入口函数名，pretrained=是否加载预训练权重)\nmodel = torch.hub.load('your_github_username\u002Fyour_repo_name', 'model_entry_point', pretrained=True)\n\n# 设置为评估模式\nmodel.eval()\n\n# 准备输入数据 (示例)\n# input_data = ... \n# output = model(input_data)\n```\n\n对于普通开发者，若想使用库中已有的模型（例如 ResNet-18），只需执行：\n\n```python\nimport torch\n\n# 直接从 PyTorch Hub 加载官方托管的模型\nmodel = torch.hub.load('pytorch\u002Fvision:v0.10.0', 'resnet18', pretrained=True)\nmodel.eval()\n```","某计算机视觉初创团队需要将内部研发的最新目标检测模型快速开放给社区开发者试用，以收集反馈并建立技术影响力。\n\n### 没有 hub 时\n- 开发者需手动克隆整个代码仓库，并在本地繁琐地配置依赖环境才能运行演示代码。\n- 预训练权重文件分散在各类网盘链接中，下载速度慢且版本管理混乱，极易出现模型与代码不匹配的情况。\n- 缺乏统一的文档入口，外部用户难以快速找到标准的加载接口（API），导致大量重复的咨询沟通工作。\n- 每次更新模型版本后，需要逐个通知已下载的用户重新拉取代码和权重，迭代效率极低。\n- 缺少自动化的代码正确性验证机制，社区提交的示例代码常因环境差异而无法运行，损害项目声誉。\n\n### 使用 hub 后\n- 社区用户仅需一行 `torch.hub.load()` 命令即可直接从云端加载模型，自动处理依赖与版本映射。\n- 通过标准化的 `hubconf.py` 配置文件，将模型加载逻辑与权重路径固化，确保任何人获取的都是经过验证的正确版本。\n- 模型详情页在 PyTorch 官网集中展示，提供清晰的用法示例和参数说明，大幅降低了新用户的上手门槛。\n- 团队只需合并 Pull Request，24 小时内官网自动同步更新，实现了模型版本的无缝发布与即时触达。\n- 借助 CI 自动化脚本对文档中的代码块进行实时测试，确保所有公开示例在任何标准环境下均可成功运行。\n\nhub 将复杂的模型分发流程简化为标准的“一键加载”体验，极大地降低了开源模型的共享成本与使用门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch_hub_a9f7583b.png","pytorch","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpytorch_be722ba8.jpg","",null,"https:\u002F\u002Fpytorch.org","https:\u002F\u002Fgithub.com\u002Fpytorch",[21,25],{"name":22,"color":23,"percentage":24},"Python","#3572A5",76.5,{"name":26,"color":27,"percentage":28},"Shell","#89e051",23.5,1433,247,"2026-03-30T02:29:17",1,"未说明",{"notes":35,"python":33,"dependencies":36},"该仓库主要用于提交和管理 PyTorch Hub 模型列表，而非直接运行特定模型。用户需自行托管预训练权重。CI 环境会针对最新发布的 PyTorch 版本测试代码块。若依赖项未在 CI 机器安装，需在 install.sh 中添加。建议使用 netlify bot 预览模型网页。",[37],"torch",[39],"开发框架",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:18:00.669188",[],[],[47,58,67,75,83,96],{"id":48,"name":49,"github_repo":50,"description_zh":51,"stars":52,"difficulty_score":53,"last_commit_at":54,"category_tags":55,"status":41},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",[39,56,57],"图像","Agent",{"id":59,"name":60,"github_repo":61,"description_zh":62,"stars":63,"difficulty_score":40,"last_commit_at":64,"category_tags":65,"status":41},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",138956,"2026-04-05T11:33:21",[39,57,66],"语言模型",{"id":68,"name":69,"github_repo":70,"description_zh":71,"stars":72,"difficulty_score":40,"last_commit_at":73,"category_tags":74,"status":41},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",[39,56,57],{"id":76,"name":77,"github_repo":78,"description_zh":79,"stars":80,"difficulty_score":40,"last_commit_at":81,"category_tags":82,"status":41},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",[39,66],{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":40,"last_commit_at":89,"category_tags":90,"status":41},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",[56,91,92,93,57,94,66,39,95],"数据工具","视频","插件","其他","音频",{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":53,"last_commit_at":102,"category_tags":103,"status":41},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",[57,56,39,66,94]]