| 1 |
DeepSeek-V3 |
一个基于 Mixture-of-Experts（MoE）混合专家架构 的大语言模型，具备以下关键特性 1： 总参数量高达 6710 亿，但每个 token 实际激活的参数仅为 370 亿，兼顾性能与效率。 引入了 Multi-head Latent Attention（MLA） 和 DeepSeekMoE 架构，提升模型的推理能力和训练效率。 创新性地采用了 无辅助损失（auxiliary-loss-free）策略，优化了专家路由和负载均衡。 训练数据规模达 14.8 万亿 tokens，涵盖多语言、多领域的高质量语料。 |
| 2 |
Umi-OCR |
免费，开源，可批量的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。免费：本项目所有代码开源，完全免费。 方便：解压即用，离线运行，无需网络。 高效：自带高效率的离线OCR引擎，内置多种语言识别库。 灵活：支持命令行、HTTP接口等外部调用方式。 功能：截图OCR / 批量OCR / PDF识别 / 二维码 / 公式识别 |
| 3 |
vanna |
一个开源工具，旨在通过自然语言与 SQL 数据库进行交互，属于典型的智能问数系统。 |
| 4 |
WrenAI |
一个开源智能问数系统，定位为 GenBI（Generative BI） 工具，结合了自然语言处理与数据可视化能力，适合构建下一代数据分析平台。 |
| 5 |
SQLBot |
一个基于大语言模型（如 GPT）和 RAG（Retrieval-Augmented Generation）技术的智能问数系统。SQLBot 的核心功能是： 自然语言转 SQL 查询：用户可以用中文或英文提问，系统自动生成对应的 SQL 查询语句。 智能问数：结合 RAG 技术，支持从数据库中提取相关信息并生成回答。 数据分析辅助：帮助数据分析师快速构建查询语句，提升效率。 业务人员友好：即使不懂 SQL，也能通过自然语言提问获取数据。 |
| 6 |
chatterbox |
一个 开源文本转语音（TTS）模型，具有生产级别的质量和广泛的应用场景。由 Resemble AI 团队开发。 Resemble AI 是一家专注于语音合成和语音 AI 的公司，致力于打造高质量、可定制的语音解决方案。Chatterbox 是一个 最先进（SoTA） 的 TTS 模型，具备以下特点： 与主流闭源系统（如 ElevenLabs）进行对比测试，表现优异 1。 支持多语言版本（如 chatterbox-multilingual）可开箱即用支持 23 种语言 2。 可用于将文本内容转换为自然、真实的语音。 |
| 7 |
kotaemon |
一个开源的 RAG（Retrieval-Augmented Generation）文档问答工具，专为与文档进行智能对话而设计。Kotaemon 的核心功能是： 利用 RAG 技术（检索增强生成）将文档内容与大语言模型结合，实现更准确的问答。 支持用户上传文档，并通过自然语言与文档内容进行交互。 可用于构建企业内部知识库问答系统、文档助手、智能客服等。Kotaemon 非常适合以下场景： 企业文档问答系统：员工可以通过自然语言提问，系统从文档中检索相关内容并生成答案。 法律、合同、政策文件解析：快速理解复杂文档内容，适合法务、合规等部门。 教育与培训：学生或员工可以与教材、培训资料进行互动式学习。 客户支持：将产品手册、FAQ 等文档接入系统，构建自动化客服。 |
| 8 |
json-server |
一个非常流行的轻量级工具，用于快速创建一个完整的 REST API，特别适合前端开发者和原型设计阶段使用。json-server 的核心功能是： 通过一个简单的 JSON 文件，快速生成一个完整的 RESTful API。 支持常见的 HTTP 方法：GET、POST、PUT、PATCH、DELETE。 提供分页、排序、过滤等功能。 支持自定义路由、中间件和静态文件托管。 一句话总结：“30 秒内创建一个假 REST API，无需写任何后端代码。” 这个项目非常适合以下几类用户和场景： 前端开发者： 在后端尚未完成时，使用 json-server 模拟 API 接口，进行前端开发。 快速验证前端组件与 API 的交互逻辑。 产品经理 / 设计师： 在原型阶段，构建一个可交互的假数据接口，提升演示效果。 测试工程师： 用于接口测试、自动化测试中的 mock 数据服务。 教学与演示： 在教学中快速搭建一个 API 服务，帮助学生理解 REST 架构。 小型项目或内部工具： 用于构建无需复杂后端的轻量级数据服务。 |
| 9 |
ansible |
一个非常知名的开源自动化平台，广泛应用于 IT 运维、应用部署和系统配置管理。Ansible 的核心目标是实现 “无代理、无复杂性”的自动化运维。它使用简单的 YAML 语言编写 Playbook，帮助用户完成以下任务： 自动化部署应用程序 配置服务器和网络设备 管理云资源（如 AWS、Azure、OpenStack） 执行批量任务（如安装软件、更新系统） 编排复杂的多层应用环境 Ansible 的设计理念是“简单即强大”，不需要在目标机器上安装客户端代理，只需通过 SSH 或 WinRM 即可远程操作。 |
| 10 |
ML-From-Scratch |
旨在用最基础的方式实现各种机器学习算法，非常适合学习者深入理解算法原理。该项目的核心目标是： 用 纯 NumPy 实现机器学习算法，不依赖 TensorFlow、PyTorch 等高级框架。 提供 最简洁的代码结构，帮助用户理解算法的底层原理。 覆盖从基础到高级的算法，包括： 线性回归、逻辑回归 决策树、随机森林 支持向量机（SVM） K-Means、KNN 神经网络（包括前馈网络和卷积神经网络） 强化学习（如 Q-learning） |
| 11 |
crewAI |
一个专注于 多智能体协作系统（Multi-Agent Collaboration） 的开源框架，旨在让多个 AI 代理像一个高效团队一样协同工作。CrewAI 的核心目标是： 编排多个 AI 代理（Agents），使它们能够分工协作、共享目标、互相通信。 支持 角色扮演式代理系统，每个代理可以扮演特定角色（如分析师、写手、审校员等）。 提供一个统一的框架，帮助开发者构建复杂的 AI 工作流，例如： 多步骤任务自动化 多角色对话系统 自主研究与写作代理团队 |
| 12 |
one-small-step |
这是一个简单的技术科普教程项目，主要聚焦于解释一些有趣的，前沿的技术概念和原理。每篇文章都力求在 5 分钟内阅读完成。内容涵盖 计算机科学、编程原理、网络安全、人工智能等多个领域。 |
