[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-webmachinelearning--webnn":3,"tool-webmachinelearning--webnn":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],{"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":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":108,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":141},6123,"webmachinelearning\u002Fwebnn","webnn","🧠 Web Neural Network API","WebNN（Web Neural Network API）是一项由 W3C Web 机器学习工作组推动的开源标准，旨在为浏览器提供原生的神经网络加速能力。它允许开发者直接在网页中调用设备本地的硬件加速器（如 GPU、NPU 或专用 AI 芯片）来运行机器学习模型，而无需依赖庞大的外部框架或将计算任务发送至云端。\n\n这一技术有效解决了传统 Web AI 应用面临的痛点：以往在浏览器中运行复杂模型往往受限于 JavaScript 执行效率，导致推理速度慢、延迟高且消耗大量电量。WebNN 通过标准化接口打通了浏览器与底层硬件的壁垒，显著提升了图像识别、语音处理及实时交互等场景的性能表现，同时更好地保护了用户数据隐私。\n\nWebNN 主要面向 Web 前端开发者、机器学习工程师以及研究人员。对于希望将高性能 AI 功能无缝集成到网站或跨平台应用中的团队而言，它是一个关键的基础设施。其独特的技术亮点在于“硬件抽象”与“标准化”：无论用户使用何种品牌的设备，只要浏览器支持该标准，代码即可自动适配并调用最优的计算单元，真正实现了“一次编写，处处加速”，让复杂的端侧智能在 Web 生态中变得触手可及","WebNN（Web Neural Network API）是一项由 W3C Web 机器学习工作组推动的开源标准，旨在为浏览器提供原生的神经网络加速能力。它允许开发者直接在网页中调用设备本地的硬件加速器（如 GPU、NPU 或专用 AI 芯片）来运行机器学习模型，而无需依赖庞大的外部框架或将计算任务发送至云端。\n\n这一技术有效解决了传统 Web AI 应用面临的痛点：以往在浏览器中运行复杂模型往往受限于 JavaScript 执行效率，导致推理速度慢、延迟高且消耗大量电量。WebNN 通过标准化接口打通了浏览器与底层硬件的壁垒，显著提升了图像识别、语音处理及实时交互等场景的性能表现，同时更好地保护了用户数据隐私。\n\nWebNN 主要面向 Web 前端开发者、机器学习工程师以及研究人员。对于希望将高性能 AI 功能无缝集成到网站或跨平台应用中的团队而言，它是一个关键的基础设施。其独特的技术亮点在于“硬件抽象”与“标准化”：无论用户使用何种品牌的设备，只要浏览器支持该标准，代码即可自动适配并调用最优的计算单元，真正实现了“一次编写，处处加速”，让复杂的端侧智能在 Web 生态中变得触手可及。","[![build](https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Factions\u002Fworkflows\u002Fauto-publish.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Factions)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwebmachinelearning_webnn_readme_2366b3899d4b.png)\n\n# Web Neural Network API\n\nThis repository hosts the [Web Neural Network API](https:\u002F\u002Fwww.w3.org\u002FTR\u002Fwebnn\u002F)\nbeing worked on in the\n[Web Machine Learning Working Group](https:\u002F\u002Fwww.w3.org\u002Fgroups\u002Fwg\u002Fwebmachinelearning).\n\nTo join this Working Group, please see these [instructions](https:\u002F\u002Fwebmachinelearning.github.io\u002Fcommunity\u002F#join).\n\n## Development\n\nThis section describes the process for building this specification on your local computer for development and testing purposes. You may want to do this before you submit a [Pull Request](#pull-requests) to catch possible build issues early.\n\nThe first step is to clone the repo:\n\n```\nprompt> git clone https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\n```\n\nNext, install the makefile dependencies:\n\n```\nprompt> cd tools\nprompt> npm install\nprompt> cd ..\n```\n\nNow you can choose between the two options:\n\n- [Install Bikeshed locally](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F#install-final) (works offline, faster build) and run:\n\n```\nprompt> make\n```\n\n- Or use the [Bikeshed HTTP API](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F#remote) (requires internet, slower build):\n\n```\nprompt> make online=1\n```\n\nIn both the cases, the makefile runs [tools](tools) to check the source formatting and catch common errors, and then uses Bikeshed to convert the `index.bs` source file to an `index.html` output file.\n\nIf the build is clean you can open the `index.html` file in your browser to view it in all its glory! If you're happy with what you see, congratulations! You can proceed to submit a [Pull Request](#pull-requests).\n\n## Pull Requests\n\nFirst, please read the [contributing guidelines](CONTRIBUTING.md).\n\nThe spec is written using [Bikeshed](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F) spec-generating tool. Please refer to the [Bikeshed Documentation](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F) for the Bikeshed syntax and [coding conventions](docs\u002FSpecCodingConventions.md) specific to this specification.\n\nTo propose a change to the specification, you are only required to update the `index.bs` source file authored in Bikeshed syntax.\n\nBefore you submit a PR, it is recommended to test your changes locally (see [Development](#development)). If your local build is clean, you can proceed to submit the PR. If you want to submit a WIP PR that still contains errors or is incomplete, please [convert the PR to a draft](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fpull-requests\u002Fcollaborating-with-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fchanging-the-stage-of-a-pull-request#converting-a-pull-request-to-a-draft). As a convention, please [link the PR to an existing issue](https:\u002F\u002Fgraphite.dev\u002Fguides\u002Fhow-to-link-pull-requests-to-github-issues) for [non-editorial changes](CONTRIBUTING.md#type-of-change).\n\nAfter you submit the PR, it is first automatically checked with [GitHub Actions CI\u002FCD](.github\u002Fworkflows\u002Fauto-publish.yml) for common issues and then reviewed by group participants. After adequate review and approvals, the PR is merged and a new version of the specification is deployed at https:\u002F\u002Fwww.w3.org\u002FTR\u002Fwebnn\u002F ([history](https:\u002F\u002Fwww.w3.org\u002Fstandards\u002Fhistory\u002Fwebnn\u002F)).","[![构建](https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Factions\u002Fworkflows\u002Fauto-publish.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Factions)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwebmachinelearning_webnn_readme_2366b3899d4b.png)\n\n# Web 神经网络 API\n\n本仓库托管着正在 [Web 机器学习工作组](https:\u002F\u002Fwww.w3.org\u002Fgroups\u002Fwg\u002Fwebmachinelearning) 中开发的 [Web 神经网络 API](https:\u002F\u002Fwww.w3.org\u002FTR\u002Fwebnn\u002F)。\n\n如需加入该工作组，请参阅这些 [说明](https:\u002F\u002Fwebmachinelearning.github.io\u002Fcommunity\u002F#join)。\n\n## 开发\n\n本节描述了如何在本地计算机上构建此规范，以供开发和测试使用。您可能希望在提交 [Pull Request](#pull-requests) 之前执行此操作，以便及早发现潜在的构建问题。\n\n第一步是克隆仓库：\n\n```\nprompt> git clone https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\n```\n\n接下来，安装 Makefile 的依赖项：\n\n```\nprompt> cd tools\nprompt> npm install\nprompt> cd ..\n```\n\n现在您可以选择以下两种方式之一：\n\n- [在本地安装 Bikeshed](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F#install-final)（可离线使用，构建速度更快），然后运行：\n\n```\nprompt> make\n```\n\n- 或者使用 [Bikeshed HTTP API](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F#remote)（需要互联网连接，构建速度较慢）：\n\n```\nprompt> make online=1\n```\n\n无论采用哪种方式，Makefile 都会运行 [tools](tools) 来检查源代码格式并捕获常见错误，然后使用 Bikeshed 将 `index.bs` 源文件转换为 `index.html` 输出文件。\n\n如果构建成功，您可以在浏览器中打开 `index.html` 文件，尽情欣赏其内容！如果您对结果满意，恭喜您！可以继续提交 [Pull Request](#pull-requests)。\n\n## Pull Requests\n\n首先，请阅读 [贡献指南](CONTRIBUTING.md)。\n\n本规范使用 [Bikeshed](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F) 规范生成工具编写。请参考 [Bikeshed 文档](https:\u002F\u002Fspeced.github.io\u002Fbikeshed\u002F) 了解 Bikeshed 语法，以及本规范特有的 [编码规范](docs\u002FSpecCodingConventions.md)。\n\n要提出对规范的更改，您只需更新用 Bikeshed 语法编写的 `index.bs` 源文件即可。\n\n在提交 PR 之前，建议您在本地测试更改（参见 [开发](#development)）。如果本地构建没有问题，您可以继续提交 PR。如果您想提交一个仍包含错误或不完整的 WIP PR，请将其 [转换为草稿](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fpull-requests\u002Fcollaborating-with-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fchanging-the-stage-of-a-pull-request#converting-a-pull-request-to-a-draft)。作为惯例，对于 [非编辑性更改](CONTRIBUTING.md#type-of-change)，请将 PR [链接到现有议题](https:\u002F\u002Fgraphite.dev\u002Fguides\u002Fhow-to-link-pull-requests-to-github-issues)。\n\n提交 PR 后，它会首先通过 [GitHub Actions CI\u002FCD](.github\u002Fworkflows\u002Fauto-publish.yml) 自动检查常见问题，随后由工作组成员进行评审。经过充分的评审和批准后，PR 将被合并，规范的新版本将在 https:\u002F\u002Fwww.w3.org\u002FTR\u002Fwebnn\u002F 上部署（[历史记录](https:\u002F\u002Fwww.w3.org\u002Fstandards\u002Fhistory\u002Fwebnn\u002F)）。","# WebNN 快速上手指南\n\n本指南帮助开发者在本地构建和测试 Web Neural Network API (WebNN) 规范文档。\n\n## 环境准备\n\n*   **操作系统**：支持 Git 和 Node.js 的主流系统 (Windows, macOS, Linux)。\n*   **前置依赖**：\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F)\n    *   [Node.js](https:\u002F\u002Fnodejs.org\u002F) (用于安装构建工具依赖)\n    *   **可选但推荐**：[Python](https:\u002F\u002Fwww.python.org\u002F) 及 pip (用于本地安装 Bikeshed 工具，可实现离线快速构建)。\n        *   国内加速建议：使用清华或阿里镜像源安装 Python 包。\n        *   `pip install bikeshed --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\n    ```\n\n2.  **安装构建依赖**\n    进入项目目录并安装必要的 npm 包：\n    ```bash\n    cd webnn\n    cd tools\n    npm install\n    cd ..\n    ```\n\n3.  **配置构建工具 (二选一)**\n\n    *   **方案 A：本地安装 Bikeshed (推荐，速度快，支持离线)**\n        确保已按“环境准备”中所述安装好 Bikeshed，然后运行：\n        ```bash\n        make\n        ```\n\n    *   **方案 B：使用在线 API (无需本地安装，需联网，速度较慢)**\n        如果未安装本地 Bikeshed，可直接调用远程服务：\n        ```bash\n        make online=1\n        ```\n\n## 基本使用\n\n构建成功后，当前目录下将生成 `index.html` 文件。\n\n1.  **预览规范文档**\n    直接在浏览器中打开生成的文件即可查看最新版的 WebNN 规范：\n    ```bash\n    # macOS\n    open index.html\n    \n    # Windows (PowerShell)\n    Start-Process index.html\n    \n    # Linux\n    xdg-open index.html\n    ```\n\n2.  **修改与贡献**\n    *   规范源码位于 `index.bs` 文件，采用 Bikeshed 语法编写。\n    *   修改该文件后，重新运行上述 `make` 命令即可更新 HTML 输出。\n    *   确认构建无误且内容符合预期后，即可提交 Pull Request。","一家初创教育科技公司正在开发基于浏览器的实时手势识别互动课件，旨在让学生无需安装任何插件即可通过摄像头控制屏幕内容。\n\n### 没有 webnn 时\n- **依赖重型后端**：所有视频帧必须上传至云端服务器进行推理，导致高昂的带宽成本和服务器算力支出。\n- **延迟严重影响体验**：受网络波动影响，手势指令到屏幕反馈存在 200-500 毫秒的延迟，互动过程卡顿不自然。\n- **隐私合规风险高**：学生的实时视频流需离开本地设备传输，引发家长和学校对数据隐私泄露的强烈担忧。\n- **离线功能不可用**：一旦网络中断或信号不佳，整个互动教学系统立即瘫痪，无法在弱网环境下运行。\n\n### 使用 webnn 后\n- **本地硬件加速推理**：webnn 直接调用用户设备的 GPU 或 NPU 在浏览器端运行模型，彻底消除了云端推理成本。\n- **毫秒级实时响应**：数据处理在本地完成，端到端延迟降低至 30 毫秒以内，手势操控如原生应用般流畅。\n- **数据不出设备**：视频流仅在用户本地内存中处理，从未离开浏览器，从架构层面完美解决隐私合规难题。\n- **无缝离线支持**：只要浏览器支持，即便在无网络教室或移动场景下，互动课件依然能稳定运行。\n\nwebnn 通过将高性能神经网络推理能力原生植入 Web 标准，让复杂的 AI 互动应用在浏览器中实现了低成本、低延迟且隐私安全的落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwebmachinelearning_webnn_2366b389.png","webmachinelearning","Web Machine Learning","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwebmachinelearning_a83ec6a6.png","Making Machine Learning a first-class web citizen",null,"https:\u002F\u002Fwebmachinelearning.github.io","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning",[81,85,89,93],{"name":82,"color":83,"percentage":84},"Bikeshed","#5562ac",95.4,{"name":86,"color":87,"percentage":88},"JavaScript","#f1e05a",4.3,{"name":90,"color":91,"percentage":92},"Python","#3572A5",0.2,{"name":94,"color":95,"percentage":96},"Makefile","#427819",0.1,518,60,"2026-04-09T11:16:20","NOASSERTION",4,"未说明",{"notes":104,"python":102,"dependencies":105},"该项目是 Web Neural Network API 的规范文档仓库，并非可执行的 AI 模型或推理引擎。构建过程仅需安装 Node.js (npm) 和 make 工具，用于通过 Bikeshed 将源码编译为 HTML 文档。无需 GPU、特定内存大小或 Python 环境。",[106,107,82],"npm","make",[14],"2026-03-27T02:49:30.150509","2026-04-10T15:52:20.764957",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},27712,"WebNN 是否支持 Transformer 模型架构？需要哪些算子？","是的，WebNN 已支持构建知名的 Transformer 模型。根据社区讨论和原型验证，支持 Stable Diffusion (UNet\u002FVAE\u002FText Encoder)、Segment Anything (SAM) 和 Whisper 等模型所需的算子集已基本完备。关键算子包括元素级比较（如 equal 操作，遵循 IEEE NaN 规则）等。工作组认为已满足章程中关于支持 Transformer 的要求，未来将通过独立的小议题进行增量改进。","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Fissues\u002F375",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},27713,"如何在编译图之前查询当前上下文支持的硬件设备（如 GPU、NPU 或 CPU）？","应用可以在创建上下文后查询其支持的设备类型，以便在 GPU 不可用时选择其他高性能回退方案（如 WebGPU 着色器或加载更适合 CPU 的模型）。目前的共识是：\n1. 上下文将提供一个属性（如 `accelerated`），返回 `true` 表示平台报告具有大规模并行处理能力（GPU\u002FNPU），返回 `false` 表示不可用。\n2. 如果系统条件不允许加速处理，将通过上下文信号通知 CPU 回退。\n3. 未来计划增加接口以请求或查询每个设备的具体算子限制和能力（例如 `perDeviceSupportedLimits()`），其中键为设备唯一标识符。","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Fissues\u002F815",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},27714,"当前的模型执行 API 要求用户预先提供输出缓冲区，这很不方便，是否有改进方案？","社区已认识到预先提供输出缓冲区给用户带来了额外负担，特别是当输出形状依赖于输入形状时。改进方向包括简化模型加载和执行流程。建议的 API 模式是直接通过 `const m2 = await navigator.ml.load(modelUrl)` 加载模型，可能带有可选的参数选项。此外，正在探讨将预编译逻辑内部化到执行过程中，以便更好地处理子图执行，从而减少用户的操作步骤。","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Fissues\u002F87",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},27715,"在编写 WebNN 规范算法时，是否需要手动检查输入类型并抛出 \"TypeError\" DOMException？","不需要。根据 Web IDL 绑定规范，输入类型的验证和 \"TypeError\" 的抛出已由底层绑定自动处理，因此在规范算法中重复此步骤是多余的。此外，如果必须显式抛出错误，应抛出内在的 `TypeError` 类型，而不是名为 \"TypeError\" 的 `DOMException`（因为 Web IDL 标准中不存在该名称的 DOMException）。开发者应遵循 Web 规范的最佳实践，移除这些冗余检查。","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Fissues\u002F450",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},27716,"WebNN 如何定义和操作具体的神经网络算子及其语义？","WebNN 规范定义了基础的操作集及其语义。早期的基础规范列出了约 32 种操作类型。算子集的确定源于实际应用用例（如 RNN、LSTM 和 Transformer）。对于每个算子（例如元素级比较 `equal`），规范详细描述了其行为，包括数据类型匹配、返回值格式（如返回 8 位张量，0 表示假，1 表示真）以及对特殊值（如 NaN 和非正规数）的处理规则（通常遵循 IEEE 标准或依赖具体设备实现）。","https:\u002F\u002Fgithub.com\u002Fwebmachinelearning\u002Fwebnn\u002Fissues\u002F17",{"id":138,"question_zh":139,"answer_zh":140,"source_url":121},27717,"如果首选的高性能设备（如 GPU）不可用，应用程序如何处理回退策略？","应用程序不应依赖 WebNN 静默回退到 CPU，而应主动查询上下文能力。建议在创建上下文时设置偏好（如 `powerPreference: 'high-performance'`），然后检查上下文是否实际支持所需设备。如果检测到没有 GPU 可用（`!context.devices.has('gpu')`），应用程序可以选择使用 WebGPU 着色器执行模型，或者加载一个针对 CPU 优化的不同模型版本。未来的 API 还将提供更细粒度的能力查询，帮助应用做出更明智的决策。",[]]