ओपन सोर्स। नई संभावनाएँ।

PixelRAG एक ओपन-सोर्स विज़ुअल RAG सिस्टम है जो दस्तावेज़ों को स्क्रीनशॉट के रूप में प्रस्तुत करता है और छवियों पर सीधे खोज करता है, जिससे टेबल और चार्ट जैसी दृश्य संरचना संरक्षित रहती है। इसमें 8.28 मिलियन पेजों का होस्टेड Wikipedia इंडेक्स, CLI टूल्स और Claude Code एकीकरण शामिल है।

ByteDance का TARS एक मल्टीमोडल AI एजेंट स्टैक है जिसमें दो प्रोजेक्ट शामिल हैं: MCP टूल्स और ब्राउज़र नियंत्रण को एकीकृत करने वाला Agent TARS (CLI और Web UI), और दृश्य-भाषा मॉडल के माध्यम से कंप्यूटर को नियंत्रित करने वाला UI-TARS Desktop (नेटिव GUI एजेंट ऐप)।

PageLedger एक ओपन-सोर्स Python CLI लाइब्रेरी है जो OCR और दस्तावेज़ निष्कर्षण के लिए पृष्ठ-स्तर पर पत्रपुस्तकीय, गुणवत्ता संकेत और बजट ट्रैकिंग प्रदान करती है। यह निरंतर रन, पुनरीक्षण कतारें और मानव-में-लूप सत्यापन का समर्थन करती है।

61 कंप्यूटर विज़न ट्यूटोरियल्स का संग्रह, जिसमें YOLO11, SAM 3, RF-DETR, और Qwen3-VL जैसे आधुनिक मॉडल शामिल हैं, जो ऑब्जेक्ट डिटेक्शन, सेगमेंटेशन, OCR आदि कवर करते हैं।

RunAnywhere एक क्रॉस-प्लेटफॉर्म SDK सूट है जो फोन, ब्राउज़र, डेस्कटॉप और सर्वर पर पूरी तरह से ऑन-डिवाइस AI मॉडल चलाने के लिए है। यह LLM, विजन, स्पीच, वॉयस एजेंट, RAG, एम्बेडिंग और इमेज जनरेशन को एक ही सेमैंटिक API के साथ सपोर्ट करता है।

Hugging Face Transformers टेक्स्ट, विजन, ऑडियो और मल्टीमॉडल कार्यों के लिए एक मशीन लर्निंग मॉडल-डेफिनिशन फ्रेमवर्क है। यह 1 मिलियन से अधिक प्री-ट्रेंड चेकपॉइंट्स के साथ इन्फरेंस और ट्रेनिंग के लिए एक एकीकृत API प्रदान करता है।

SGLang बड़े भाषा मॉडल (LLMs) और मल्टीमॉडल मॉडल के लिए एक उच्च-प्रदर्शन सर्विंग फ्रेमवर्क है, जिसे कम विलंबता और उच्च थ्रूपुट इन्फरेंस के लिए डिज़ाइन किया गया है।