ওপেন সোর্স। নতুন সম্ভাবনা।

PixelRAG একটি ওপেন-সোর্স ভিজ্যুয়াল RAG সিস্টেম যা নথিগুলোকে স্ক্রিনশট হিসেবে রেন্ডার করে এবং ছবির উপর সরাসরি অনুসন্ধান করে, ফলে টেবিল ও চার্টের মতো ভিজ্যুয়াল গঠন সংরক্ষিত থাকে। এতে হোস্টেড ৮.২৮ মিলিয়ন পৃষ্ঠার উইকিপিডিয়া ইনডেক্স, CLI টুল এবং Claude Code ইন্টিগ্রেশন অন্তর্ভুক্ত।

TARS হলো ByteDance-এর একটি মাল্টিমোডাল AI এজেন্ট স্ট্যাক, যেখানে দুটি প্রকল্প রয়েছে: Agent TARS, একটি CLI এবং Web UI এজেন্ট যা MCP টুল এবং ব্রাউজার নিয়ন্ত্রণ সংহত করে, এবং UI-TARS Desktop, একটি নেটিভ GUI এজেন্ট অ্যাপ যা ভিশন-ল্যাঙ্গুয়েজ মডেলের মাধ্যমে কম্পিউটার নিয়ন্ত্রণ করে।

PageLedger একটি ওপেন-সোর্স পাইথন CLI লাইব্রেরি যা OCR এবং নথি এক্সট্রাকশনের জন্য পৃষ্ঠা-স্তরের অডিটেবল ট্র্যাকিং প্রদান করে। এটি প্রতিটি পৃষ্ঠার জন্য প্রমাণিক, গুণমান সংকেত এবং বাজেট ট্র্যাক করে, রিসামেবল রান এবং মূল্যায়ন কিউ সাপোর্ট করে।

কম্পিউটার ভিশনের ৬১টি টিউটোরিয়ালের একটি সংগ্রহ, যেখানে YOLO11, SAM 3, RF-DETR, এবং Qwen3-VL-এর মতো আধুনিক মডেল ব্যবহার করে অবজেক্ট ডিটেকশন, সেগমেন্টেশন, OCR-সহ বিভিন্ন কাজ শেখানো হয়েছে।

RunAnywhere হল ফোন, ব্রাউজার, ডেস্কটপ এবং সার্ভারে সমস্ত ডিভাইসে কাজ করার জন্য ক্রস-প্ল্যাটফর্ম SDK সিরিজ। এটি একটি সম্পূর্ণ সেমান্টিক API সহ LLM, ভিজন, স্পিচ, ভয়েস এজেন্ট, RAG, এম্বেডিং এবং ছবি জেনারেশন সমর্থন করে।

Hugging Face Transformers হলো টেক্সট, ভিশন, অডিও এবং মাল্টিমোডাল টাস্কের জন্য একটি মেশিন লার্নিং মডেল-ডেফিনিশন ফ্রেমওয়ার্ক। এটি ১ মিলিয়নেরও বেশি প্রি-ট্রেইনড চেকপয়েন্টের সাথে ইনফারেন্স এবং ট্রেনিংয়ের জন্য একটি ইউনিফাইড API প্রদান করে।

SGLang হলো লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) এবং মাল্টিমোডাল মডেলের জন্য একটি উচ্চ-ক্ষমতাসম্পন্ন সার্ভিং ফ্রেমওয়ার্ক, যা লো-ল্যাটেন্সি এবং হাই-থ্রুপুট ইনফারেন্সের জন্য ডিজাইন করা হয়েছে।