[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shansongliu--MuMu-LLaMA":3,"tool-shansongliu--MuMu-LLaMA":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",152630,2,"2026-04-12T23:33:54",[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":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"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":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":76,"languages":77,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":105,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":122,"github_topics":74,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":144},7022,"shansongliu\u002FMuMu-LLaMA","MuMu-LLaMA","This is the official repository for M2UGen","MuMu-LLaMA 是一款基于大语言模型的多模态音乐理解与生成系统。它不仅能回答关于音乐的各种问题，还能根据文本、图片、视频或音频输入创作全新音乐，甚至支持对现有音乐进行编辑。\n\n传统 AI 模型往往难以同时处理复杂的音乐语义理解与高质量生成任务，且通常局限于单一输入模式。MuMu-LLaMA 通过创新架构解决了这一痛点，实现了从“听懂”音乐到“创造”音乐的闭环。其核心技术亮点在于巧妙融合了多种专用编码器：利用 MERT 解析音频特征，ViT 和 ViViT 分别提取图像与视频信息，再结合强大的 LLaMA 2 大语言模型作为中枢进行多模态推理，最终通过 MusicGen 或 AudioLDM2 解码器输出音乐。这种设计让模型能够真正理解跨模态语境下的音乐需求。\n\n这款工具非常适合人工智能研究人员探索多模态学习前沿，也适合开发者构建交互式音乐应用，或是音乐科技领域的设计师用于辅助创作原型。虽然普通用户也可通过演示界面体验其功能，但其开源代码和详细的训练部署指南主要面向具备一定技术背景的群体。项目提供了基于不同规模解码器的预训练权重，并支持在单张 32GB 显存 GPU 上进行推理，为","MuMu-LLaMA 是一款基于大语言模型的多模态音乐理解与生成系统。它不仅能回答关于音乐的各种问题，还能根据文本、图片、视频或音频输入创作全新音乐，甚至支持对现有音乐进行编辑。\n\n传统 AI 模型往往难以同时处理复杂的音乐语义理解与高质量生成任务，且通常局限于单一输入模式。MuMu-LLaMA 通过创新架构解决了这一痛点，实现了从“听懂”音乐到“创造”音乐的闭环。其核心技术亮点在于巧妙融合了多种专用编码器：利用 MERT 解析音频特征，ViT 和 ViViT 分别提取图像与视频信息，再结合强大的 LLaMA 2 大语言模型作为中枢进行多模态推理，最终通过 MusicGen 或 AudioLDM2 解码器输出音乐。这种设计让模型能够真正理解跨模态语境下的音乐需求。\n\n这款工具非常适合人工智能研究人员探索多模态学习前沿，也适合开发者构建交互式音乐应用，或是音乐科技领域的设计师用于辅助创作原型。虽然普通用户也可通过演示界面体验其功能，但其开源代码和详细的训练部署指南主要面向具备一定技术背景的群体。项目提供了基于不同规模解码器的预训练权重，并支持在单张 32GB 显存 GPU 上进行推理，为社区提供了灵活的研究与开发基础。","\u003Cp>\n  \u003Ch1>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_a5ff62d3076e.png\" height=150px align=\"right\"\u002F>\n    MuMu-LLaMA: Multi-modal Music Understanding and Generation via Large Language Models\n  \u003C\u002Fh1>\n\u003C\u002Fp>\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%93%8E%20arXiv-Paper-red)](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.06660)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%8C%8E%20Website-Official%20Page-blue)](https:\u002F\u002Fcrypto-code.github.io\u002FMuMu-LLaMA_Demo\u002F)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FHuggingFace-Demo-Green)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FM2UGen\u002FM2UGen-Demo)\n\nThis is the official repository for *[MuMu-LLaMA: Multi-modal Music Understanding and Generation via Large Language Models](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.06660)*.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_999c57e08cf8.png\">\n\u003C\u002Fp>\n\n## 🚀 Introduction\n\nThe MuMu-LLaMA model is a Music Understanding and Generation model that is capable of Music Question Answering and also Music Generation from texts, images, videos and audios, as well as Music Editing. The model utilizes encoders such as MERT for music understanding, ViT for image understanding and ViViT for video understanding and the MusicGen\u002FAudioLDM2 model as the music generation model (music decoder), coupled with adapters and the LLaMA 2 model to make the model possible for multiple abilities. The model architecture is given in [**_mumu_llama.py_**](.\u002Fllama\u002Fmumu_llama.py).\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_44d3bd0973aa.png\">\n\u003C\u002Fp>\n\nTo train our model, we generate datasets using a music captioning and question answering model, i.e. the [MU-LLaMA](https:\u002F\u002Fgithub.com\u002Fcrypto-code\u002FMU-LLaMA) model. The dataset generation methods are given in the [DataSet](.\u002FDataSet\u002F) folder.\n\n## 🤖 Model Setup\n\nWe use Python 3.9.17 for this project and the library requirements are given in requirements.txt. Create a conda environment using\n\n```\nconda create --name \u003Cenv> --file requirements.txt\n```\n\nEnsure that the NVIDIA Driver is version 12 or above to be compatible with PyTorch 2.1.0.\n\nFor the working of our model, Facebook's LLaMA-2 model weights are required, details on obtaining these weights are given on [HuggingFace](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers\u002Fmain\u002Fmodel_doc\u002Fllama).\n\nThe trained checkpoints for our model is available here:\n\n- [MuMu-LlaMA with MusicGen Small](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-small)\n- [MuMu-LlaMA with MusicGen Medium](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-medium)\n- [MuMu-LlaMA with AudioLDM2](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-AudioLDM2)\n\nThe needed pretrained multi-modal encoder and music decoder models can be found here:\n\n- [MERT](https:\u002F\u002Fhuggingface.co\u002Fm-a-p\u002FMERT-v1-330M)\n- [ViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvit-base-patch16-224-in21k)\n- [ViViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvivit-b-16x2-kinetics400)\n- [MusicGen](https:\u002F\u002Fhuggingface.co\u002Ffacebook\u002Fmusicgen-medium)\n- [AudioLDM 2](https:\u002F\u002Fhuggingface.co\u002Fcvssp\u002Faudioldm2-music)\n\nThe directory of the checkpoints folder can be organized as follows:\n\n```\n.\n├── ...\n├── MuMu-LLaMA\n│   ├── ckpts\n│   │   │── LLaMA\n│   │   │   │── 7B\n│   │   │   │   │── checklist.chk\n│   │   │   │   │── consolidated.00.pth\n│   │   │   │   │── params.json\n│   │   │   │── llama.sh\n│   │   │   │── tokenizer.model\n│   │   │   │── tokenizer_checklist.chk\n│   │   │── MuMu-LLaMA-MusicGen\n│   │   │   │── checkpoint.pth\n│   │   │── MuMu-LLaMA-AudioLDM2\n│   │   │   │── checkpoint.pth\n│   │   │── knn.index\n└── ...\n```\n\nOnce downloaded, the Gradio demo can be run using these checkpoints.\n\nFor model with MusicGen\n\n```\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-MusicGen\u002Fcheckpoint.pth --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder musicgen\n```\n\nFor model with AudioLDM2\n\n```\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-AudioLDM2\u002Fcheckpoint.pth  --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder audioldm2  --music_decoder_path cvssp\u002Faudioldm2\n```\n\n## 🧰 System Hardware requirements\n\nFor training, stage 1 and 2 use a single 32GB V100 GPU while stage 3 uses 2 32GB V100 GPUs. For inference, a single 32GB V100 GPU is used. For loading model checkpoint, approximately 49GB of CPU memory is required.\n\n## 🫡 Acknowledgements\n\nThis code contains elements from the following repo:\n\n- [crypto-code\u002FMU-LLaMA](https:\u002F\u002Fgithub.com\u002Fcrypto-code\u002FMU-LLaMA)\n\n## ✨ Cite our work\nIf you find this repo useful, please consider citing: \n```bibtex\n@article{liu2024mumu,\n  title={MuMu-LLaMA: Multi-modal Music Understanding and Generation via Large Language Models},\n  author={Liu, Shansong and Hussain, Atin Sakkeer and Wu, Qilong and Sun, Chenshuo and Shan, Ying},\n  journal={arXiv preprint arXiv:2412.06660},\n  year={2024}\n}\n```\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_5f554be9f7a1.png)](https:\u002F\u002Fstar-history.com\u002F#shansongliu\u002FMuMu-LLaMA&Date)","\u003Cp>\n  \u003Ch1>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_a5ff62d3076e.png\" height=150px align=\"right\"\u002F>\n    MuMu-LLaMA：基于大型语言模型的多模态音乐理解与生成\n  \u003C\u002Fh1>\n\u003C\u002Fp>\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%93%8E%20arXiv-Paper-red)](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.06660)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%8C%8E%20Website-Official%20Page-blue)](https:\u002F\u002Fcrypto-code.github.io\u002FMuMu-LLaMA_Demo\u002F)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FHuggingFace-Demo-Green)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FM2UGen\u002FM2UGen-Demo)\n\n这是*[MuMu-LLaMA：基于大型语言模型的多模态音乐理解与生成](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.06660)*的官方仓库。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_999c57e08cf8.png\">\n\u003C\u002Fp>\n\n## 🚀 简介\n\nMuMu-LLaMA模型是一款音乐理解和生成模型，能够进行音乐问答、根据文本、图像、视频和音频生成音乐，以及对音乐进行编辑。该模型利用MERT等编码器进行音乐理解，使用ViT进行图像理解，ViViT进行视频理解，并以MusicGen\u002FAudioLDM2模型作为音乐生成模型（音乐解码器），结合适配器和LLaMA 2模型，从而实现多种功能。模型架构详见[**_mumu_llama.py_**](.\u002Fllama\u002Fmumu_llama.py)。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_44d3bd0973aa.png\">\n\u003C\u002Fp>\n\n为了训练我们的模型，我们使用音乐字幕和问答模型——即[MU-LLaMA](https:\u002F\u002Fgithub.com\u002Fcrypto-code\u002FMU-LLaMA)模型——来生成数据集。数据集的生成方法见[DataSet](.\u002FDataSet\u002F)文件夹。\n\n## 🤖 模型设置\n\n本项目使用Python 3.9.17，所需的库列表见requirements.txt。可通过以下命令创建conda环境：\n\n```\nconda create --name \u003Cenv> --file requirements.txt\n```\n\n请确保NVIDIA驱动程序版本为12或以上，以兼容PyTorch 2.1.0。\n\n为使我们的模型正常运行，需要Facebook的LLaMA-2模型权重，获取这些权重的详细信息可在[HuggingFace](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers\u002Fmain\u002Fmodel_doc\u002Fllama)上找到。\n\n我们模型的已训练检查点在此处提供：\n\n- [MuMu-LlaMA with MusicGen Small](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-small)\n- [MuMu-LlaMA with MusicGen Medium](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-medium)\n- [MuMu-LlaMA with AudioLDM2](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-AudioLDM2)\n\n所需的预训练多模态编码器和音乐解码器模型可在此处找到：\n\n- [MERT](https:\u002F\u002Fhuggingface.co\u002Fm-a-p\u002FMERT-v1-330M)\n- [ViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvit-base-patch16-224-in21k)\n- [ViViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvivit-b-16x2-kinetics400)\n- [MusicGen](https:\u002F\u002Fhuggingface.co\u002Ffacebook\u002Fmusicgen-medium)\n- [AudioLDM 2](https:\u002F\u002Fhuggingface.co\u002Fcvssp\u002Faudioldm2-music)\n\n检查点文件夹的目录结构可按如下方式组织：\n\n```\n.\n├── ...\n├── MuMu-LLaMA\n│   ├── ckpts\n│   │   │── LLaMA\n│   │   │   │── 7B\n│   │   │   │   │── checklist.chk\n│   │   │   │   │── consolidated.00.pth\n│   │   │   │   │── params.json\n│   │   │   │── llama.sh\n│   │   │   │── tokenizer.model\n│   │   │   │── tokenizer_checklist.chk\n│   │   │── MuMu-LLaMA-MusicGen\n│   │   │   │── checkpoint.pth\n│   │   │── MuMu-LLaMA-AudioLDM2\n│   │   │   │── checkpoint.pth\n│   │   │── knn.index\n└── ...\n```\n\n下载完成后，可以使用这些检查点运行Gradio演示。\n\n对于使用MusicGen的模型：\n\n```\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-MusicGen\u002Fcheckpoint.pth --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder musicgen\n```\n\n对于使用AudioLDM2的模型：\n\n```\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-AudioLDM2\u002Fcheckpoint.pth  --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder audioldm2  --music_decoder_path cvssp\u002Faudioldm2\n```\n\n## 🧰 系统硬件要求\n\n在训练阶段，第一和第二阶段使用单个32GB V100 GPU，而第三阶段则使用两个32GB V100 GPU。推理时则使用单个32GB V100 GPU。加载模型检查点时，大约需要49GB的CPU内存。\n\n## 🫡 致谢\n\n此代码包含来自以下仓库的内容：\n\n- [crypto-code\u002FMU-LLaMA](https:\u002F\u002Fgithub.com\u002Fcrypto-code\u002FMU-LLaMA)\n\n## ✨ 引用我们的工作\n如果您觉得本仓库有用，请考虑引用：\n```bibtex\n@article{liu2024mumu,\n  title={MuMu-LLaMA: 多模态音乐理解与生成——基于大型语言模型},\n  author={刘善松、侯赛因·阿廷·萨基尔、吴启龙、孙晨硕、单颖},\n  journal={arXiv预印本 arXiv:2412.06660},\n  year={2024}\n}\n```\n\n## 星标历史\n\n[![星标历史图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_readme_5f554be9f7a1.png)](https:\u002F\u002Fstar-history.com\u002F#shansongliu\u002FMuMu-LLaMA&Date)","# MuMu-LLaMA 快速上手指南\n\nMuMu-LLaMA 是一个基于大语言模型的多模态音乐理解与生成工具。它支持音乐问答，并能根据文本、图像、视频和音频输入生成或编辑音乐。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐)\n- **Python 版本**: 3.9.17\n- **GPU 驱动**: NVIDIA Driver 版本需 ≥ 12 (以兼容 PyTorch 2.1.0)\n- **硬件配置**:\n  - **推理**: 单张 32GB V100 GPU (或同等显存)，约需 49GB CPU 内存。\n  - **训练**: 阶段 1-2 需单张 32GB V100；阶段 3 需两张 32GB V100。\n\n### 前置依赖\n本项目依赖以下预训练模型权重，请提前准备：\n1. **LLaMA-2**: 需从 HuggingFace 获取官方权重（参考 [HuggingFace LLaMA 文档](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers\u002Fmain\u002Fmodel_doc\u002Fllama)）。\n2. **多模态编码器**: MERT, ViT, ViViT。\n3. **音乐解码器**: MusicGen 或 AudioLDM2。\n\n## 2. 安装步骤\n\n### 创建 Conda 环境\n使用项目提供的 `requirements.txt` 创建环境：\n\n```bash\nconda create --name mumu_env --file requirements.txt\nconda activate mumu_env\n```\n\n### 目录结构与模型部署\n下载训练好的检查点（Checkpoints）及预训练模型后，请按以下结构组织目录：\n\n```text\n.\n├── ...\n├── MuMu-LLaMA\n│   ├── ckpts\n│   │   ├── LLaMA\n│   │   │   └── 7B              # 存放 LLaMA-2-7B 权重 (consolidated.00.pth 等)\n│   │   ├── MuMu-LLaMA-MusicGen # 存放 MuMu 微调权重 (checkpoint.pth)\n│   │   ├── MuMu-LLaMA-AudioLDM2# 存放 MuMu 微调权重 (checkpoint.pth)\n│   │   └── knn.index\n└── ...\n```\n\n> **模型下载链接**:\n> - MuMu 检查点: [MusicGen Small](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-small) | [MusicGen Medium](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-MusicGen-medium) | [AudioLDM2](https:\u002F\u002Fhuggingface.co\u002FM2UGen\u002FM2UGen-AudioLDM2)\n> - 基础编码器: [MERT](https:\u002F\u002Fhuggingface.co\u002Fm-a-p\u002FMERT-v1-330M), [ViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvit-base-patch16-224-in21k), [ViViT](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fvivit-b-16x2-kinetics400)\n\n## 3. 基本使用\n\n启动 Gradio 网页演示界面即可进行音乐生成、问答和编辑操作。根据你使用的音乐解码器类型，选择以下任一命令运行：\n\n### 方案 A：使用 MusicGen 解码器\n```bash\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-MusicGen\u002Fcheckpoint.pth --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder musicgen\n```\n\n### 方案 B：使用 AudioLDM2 解码器\n```bash\npython gradio_app.py --model .\u002Fckpts\u002FMuMu-LLaMA-AudioLDM2\u002Fcheckpoint.pth --llama_dir .\u002Fckpts\u002FLLaMA-2 --music_decoder audioldm2 --music_decoder_path cvssp\u002Faudioldm2\n```\n\n运行成功后，终端会输出本地访问地址（通常为 `http:\u002F\u002F127.0.0.1:7860`），在浏览器打开即可体验多模态音乐交互功能。","一位独立游戏开发者正在为一款复古风格的冒险游戏快速生成适配不同场景（如森林、洞穴、战斗）的背景音乐，并需要根据美术草图和视频分镜自动调整旋律情绪。\n\n### 没有 MuMu-LLaMA 时\n- **多模态理解割裂**：开发者需分别使用图像识别工具分析美术稿、人工观看视频分镜，再手动将提取的情绪关键词输入音乐生成器，流程繁琐且易丢失上下文信息。\n- **编辑灵活性差**：若需修改某段音乐的节奏以匹配视频中的动作高潮，必须重新生成整首曲目或借助专业音频软件进行复杂的后期剪辑。\n- **语义交互缺失**：无法直接通过自然语言询问“这段音乐是否适合悲伤的结局场景”，只能凭听觉主观判断，缺乏智能化的问答辅助。\n- **创作门槛高**：非音乐专业的开发者难以精准描述所需的乐器搭配或和弦走向，导致生成的音乐与游戏氛围常有偏差。\n\n### 使用 MuMu-LLaMA 后\n- **一站式多模态输入**：直接上传游戏美术草图或战斗视频片段，MuMu-LLaMA 利用 ViT 和 ViViT 编码器自动理解视觉内容，结合 MERT 音频编码器，一键生成契合画面情绪的音乐。\n- **精细化音乐编辑**：通过文本指令（如“加快第 15 秒处的鼓点节奏”），MuMu-LLaMA 能精准定位并修改特定段落，无需重制全曲或手动剪辑波形。\n- **智能音乐问答**：开发者可直接提问“这段旋律的情感色彩是什么？”，MuMu-LLaMA 基于大语言模型能力给出专业分析，辅助决策是否符合剧情需求。\n- **自然语言驱动创作**：只需用通俗语言描述“需要一段带有神秘感的笛声伴奏”，MuMu-LLaMA 即可将其转化为专业的音乐生成参数，大幅降低创作门槛。\n\nMuMu-LLaMA 通过打通视觉、听觉与语言的壁垒，让非音乐专家也能像指挥家一样，仅凭创意描述和多模态素材就能高效掌控游戏配乐的每一个细节。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshansongliu_MuMu-LLaMA_a5ff62d3.png","shansongliu",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshansongliu_9a9383ca.png","https:\u002F\u002Fgithub.com\u002Fshansongliu",[78,82,86,90,94,97],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",68.8,{"name":83,"color":84,"percentage":85},"Python","#3572A5",30.8,{"name":87,"color":88,"percentage":89},"Shell","#89e051",0.2,{"name":91,"color":92,"percentage":93},"JavaScript","#f1e05a",0.1,{"name":95,"color":96,"percentage":93},"HTML","#e34c26",{"name":98,"color":99,"percentage":100},"CSS","#663399",0,514,39,"2026-04-11T07:23:19","MIT",4,"未说明","必需 NVIDIA GPU。训练阶段 1 和 2 需单张 32GB V100；阶段 3 需两张 32GB V100；推理需单张 32GB V100。NVIDIA 驱动版本需 12 或以上（以兼容 PyTorch 2.1.0）。","加载模型检查点约需 49GB CPU 内存",{"notes":110,"python":111,"dependencies":112},"1. 必须获取 Facebook LLaMA-2 的模型权重才能运行。2. 建议使用 conda 创建环境（命令：conda create --name \u003Cenv> --file requirements.txt）。3. 项目依赖多个预训练多模态编码器和音乐解码器（如 MERT, ViT, MusicGen 等），需提前下载并按规定目录结构存放。4. 提供基于 Gradio 的演示脚本，支持 MusicGen 和 AudioLDM2 两种后端。","3.9.17",[113,114,115,116,117,118,119,120,121],"torch==2.1.0","transformers","gradio","MERT","ViT","ViViT","MusicGen","AudioLDM2","LLaMA-2",[35,123,124,15,125],"音频","视频","其他","2026-03-27T02:49:30.150509","2026-04-13T13:37:49.881869",[129,134,139],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},31613,"为什么使用 Llama-2 设置时会报错找不到 `params.json` 文件？","为了支持对 LLaMA-2 模型部分（如跨层添加多模态输入）的修改，本项目使用的是 Meta 提供的原始 LLaMA-2 检查点（original checkpoints），而不是 HuggingFace 版本的检查点。HuggingFace 版本中不包含 `params.json`。您需要按照 Meta 官方说明获取原始检查点：https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama\u002Fblob\u002Fmain\u002FREADME.md","https:\u002F\u002Fgithub.com\u002Fshansongliu\u002FMuMu-LLaMA\u002Fissues\u002F5",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},31614,"项目的论文链接在哪里？","项目论文的 PDF 下载地址为：https:\u002F\u002Farxiv.org\u002Fpdf\u002F2311.11255.pdf","https:\u002F\u002Fgithub.com\u002Fshansongliu\u002FMuMu-LLaMA\u002Fissues\u002F6",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},31615,"HuggingFace 上的演示（Demo）运行失败或报错怎么办？","目前 HuggingFace 上的演示服务尚不稳定，开发团队正在修复中。如果遇到错误（例如文本生成音乐时输出 Error），请耐心等待后续更新。","https:\u002F\u002Fgithub.com\u002Fshansongliu\u002FMuMu-LLaMA\u002Fissues\u002F3",[]]