PyPI
PreferredAI/cornac
A Comparative Framework for Multimodal Recommender Systems
Apache-2.02026年9月13日 · 指标 2.10.0
全部标签
目录标签
#multimodal
公开记录中带有此标签的全部仓库——标签来自其 GitHub 主题或软件包注册表发布的关键词。健康度量遵循与记录其余部分相同的版本化方法论。
61 条记录
PyPI
HUANGCHIHHUNGLeo/claude-real-video
Let Claude (or any LLM) actually watch a video — scene-aware, deduplicated frames + transcript, from a URL or local file. Runs locally, MIT.
MIT2026年10月21日 · 指标 2.10.0
Go · PyPI
JoakimCarlsson/ai
A Go toolkit for building AI agents and applications across multiple providers. Unified LLM client, agent framework with handoffs, tool calling, streaming, structured output, MCP integration, and cost tracking.
MIT2026年10月21日 · 指标 2.10.0
PyPI · crates.io
solpbc/solstone-journal
navigate life intelligently
AGPL-3.02026年9月15日 · 指标 2.10.0
npm
mrgoonie/multix-cli
AI multimodal CLI — Gemini, MiniMax, OpenRouter, ffmpeg, ImageMagick, doc-to-md
MIT2026年10月21日 · 指标 2.10.0
npm
kenryu42/pi-grok-cli
Use your X Premium or SuperGrok subscription in pi.
MIT2026年9月13日 · 指标 2.10.0
PyPI
MaximeRivest/attachments
Easiest way to give context to LLMs; Attachments has the ambition to be the general funnel for any files to be transformed into images+text for large language models context by only adding 2 lines to your python code.
MIT2026年8月24日 · 指标 2.10.0
npm
hyssostech/sketch-thru-plan-sdk-js
Quickstart, samples, documentation for the Sketch-thru-Plan multimodal engine SDK
MIT2026年10月22日 · 指标 2.10.0
Go · PyPI
masterkeysrd/loom
Loom is a high-performance, graph-based AI workflow engine for Go. It allows you to build complex agentic systems by defining multi-step workflows as directed graphs, seamlessly connecting them to any large language model, and persisting execution state for long-running or interrupted tasks.
无许可证2026年9月14日 · 指标 2.10.0
PyPI
EverMind-AI/EverAlgo
EverAlgo is the algorithm library behind EverMind's memory system — stateless, storage-free, focused on extraction and ranking only. Orchestration, persistence, and routing live upstream in evermem.
Apache-2.02026年10月13日 · 指标 2.10.0
PyPI · npm · Maven
hpnkv/a11
A streaming action runtime for AI agents, model serving, and multimodal APIs
Apache-2.02026年10月21日 · 指标 2.10.0
npm
talesofai/generation-sdk
该仓库未发布描述。
MIT2026年9月13日 · 指标 2.10.0
npm
FuzzySoul/dsh-free-vision
为DSH（DeepSeek Harness）量身打造的视觉插件，现已支持agent调用图片显示/Vision plugin for DSH(DeepSeek Harness),support Proactive Image Display.
MIT2026年9月18日 · 指标 2.10.0
PyPI
queelius/muse
Model-agnostic multi-modality generation server with plugin discovery: OpenAI-compatible TTS, embeddings, and image generation. Drop a Python file in ~/.muse/models/ to add a backend.
Apache-2.02026年9月16日 · 指标 2.10.0
npm · RubyGems · Go +2
runapi-ai/gemini-omni-sdk
RunAPI Gemini Omni SDK for audio, character, and video workflows in JavaScript, Python, Ruby, Go, Java, and PHP
Apache-2.02026年9月12日 · 指标 2.10.0
npm
runtypelabs/mixlayer-ai-provider
AI SDK provider for Mixlayer — the fully oxidized inference API
MIT2026年9月16日 · 指标 2.10.0
npm
getpipher/vision
Capability-aware vision + paste extension for the pi coding agent. Delegates image analysis only when the active model is text-only; passes through natively for multimodal models (zero delegation).
MIT2026年9月16日 · 指标 2.10.0
PyPI
PaddlePaddle/PaddleMIX
Paddle Multimodal Integration and eXploration, supporting mainstream multi-modal tasks, including end-to-end large-scale multi-modal pretrain models and diffusion model toolbox. Equipped with high performance and flexibility.
Apache-2.02026年9月19日 · 指标 2.10.0
npm
Flyvhidbwo/dsh-vision-proxy
DeepSeek Harness 插件：DeepSeek Pro 大脑 + 自动识图。GUI 附加图片默认经官方 deepseek-v4-flash-vision-exp 原生识图，转译成文字后交给 DeepSeek 作答（纯文本的 V4-Pro 也能看图）；支持百炼/智谱/OpenRouter 等任意 OpenAI 兼容 VLM，无 key 自动探测本地 Ollama；安装时有一问式确认
MIT2026年9月22日 · 指标 2.10.0
npm
hedging8563/tokenlab-mcp-server
OpenAPI-generated MCP server for TokenLab text, image, video, music, 3D, audio, files, embeddings, rerank, translation, and async tasks.
MIT2026年9月17日 · 指标 2.10.0
PyPI
danijar/granular
Fast dataset format and loader
MIT2026年10月11日 · 指标 2.10.0
PyPI
Leon-Sander/Local-Multimodal-AI-Chat
Self-hostable multimodal chat with local LLMs (Ollama/OpenAI): PDF RAG, image chat, and Whisper voice, Streamlit + Docker.
GPL-3.02026年9月11日 · 指标 2.10.0
npm
jing-hy/picturereader
DSH plugin: pixel-to-text image reading for text-only models. image_scan/image_ocr/image_sample tools + image-reading skill (34-image trained methodology). Pure local, optional PaddleOCR.
MIT2026年10月21日 · 指标 2.10.0
npm
volcengine/ark-cli
The fastest way to put Volcengine Ark in your terminal and your AI agent — go from prompt to generated media, multimodal answer, or deployed endpoint in a single command, no API glue code.
Apache-2.02026年9月8日 · 指标 2.10.0
Go
ikhsan3adi/gemini-web2api
Blazing fast Go port of gemini-web2api. Convert Google Gemini web into OpenAI-compatible API. Zero cost, single static binary.
MIT2026年9月20日 · 指标 2.10.0
NuGet
无许可证2026年10月7日 · 指标 2.10.0
PyPI
datachain-ai/datachain
The Context Layer for unstructured data: typed, versioned datasets over S3, GCS, Azure
Apache-2.02026年10月21日 · 指标 2.10.0
PyPI
waybarrios/crystal
CRYSTAL: Beyond Final Answers: Benchmark for Transparent Multimodal Reasoning Evaluation | arXiv 2603.13099
无许可证2026年7月17日 · 指标 2.10.0
npm
AnEntrypoint/acptoapi
OpenAI-compatible HTTP facade over ACP (Kilo + opencode)
MIT2026年9月15日 · 指标 2.10.0
npm
kalyanjanumpally/sap-joule-ai-plugin
Reference implementation: SAP Joule procurement copilot backed by a CAP AI service and an LLM-agnostic plugin (Anthropic / Ollama / SAP Generative AI Hub).
无许可证2026年9月18日 · 指标 2.10.0