اوپن سورس۔ نئے امکانات۔

پیج لیجر ایک پائتھون CLI لائبریری ہے جو قابل تصدیق، پیج سطح کی OCR اور دستاویز نکالنے کے کام کے لیے استعمال ہوتی ہے۔ یہ ہر نکالی گئی پیج کے لیے ماخذ کی تصدیق، معیار کے اشارے اور بجٹ کی ریکارڈ رکھتی ہے، جاری رہنے والے رنز، جائزہ قطاروں اور انسانی مداخلت کے ساتھ دوبارہ چلانے کی سہولت دیتی ہے۔

یہ ریپوزٹری کمپیوٹر وژن کے 61 سبقوں کا ایک مجموعہ ہے، جس میں YOLO11، SAM 3، RF-DETR، اور Qwen3-VL جیسے جدید ماڈلز شامل ہیں، جو آبجیکٹ کا پتہ لگانے، سیگمنٹیشن، OCR، اور مزید کے لیے ہیں۔

RunAnywhere ایک کراس-پلیٹ فارم SDK سویٹ ہے جو فونز، براؤزرز، ڈیسک ٹاپس، اور سرورز پر مکمل طور پر ڈیوائس پر AI ماڈلز کو چلانے کے لیے ہے۔ یہ ایک ہی سیمنٹک API کے ذریعے LLMs، ویژن، سپیچ، وائس ایجنٹس، RAG، ایمبیڈنگز، اور امیج جنریشن کو سپورٹ کرتا ہے۔

Hugging Face Transformers مشین لرننگ کے لیے ایک ماڈل ڈیفینیشن فریم ورک ہے جو ٹیکسٹ، ویژن، آڈیو اور ملٹی موڈل ٹاسکس کے لیے استعمال ہوتا ہے۔ یہ 1 ملین سے زیادہ پری ٹرینڈ چیک پوائنٹس کے ساتھ انفرنس اور ٹریننگ کے لیے ایک متحد API فراہم کرتا ہے۔

SGLang بڑے لسانی ماڈلز (LLMs) اور ملٹی موڈل ماڈلز کے لیے ایک اعلیٰ کارکردگی والا سرونگ فریم ورک ہے، جسے کم تاخیر اور زیادہ تھروپٹ انفرنس کے لیے ڈیزائن کیا گیا ہے۔

PixelRAG ایک اوپن سورس بصری RAG نظام ہے جو دستاویزات کو اسکرین شاٹس میں تبدیل کر کے تصاویر پر براہ راست تلاش کرتا ہے، جدولوں اور چارٹس جیسی بصری ساخت کو محفوظ رکھتا ہے۔ اس میں 8.28 ملین صفحات کا ویکیپیڈیا انڈیکس، CLI ٹولز، اور Claude Code انٹیگریشن شامل ہے۔

TARS بٹ ڈانس کا ملٹی ماڈل AI ایجنٹ اسٹیک ہے جس میں دو پروجیکٹ شامل ہیں: Agent TARS، جو MCP ٹولز اور براؤزر کنٹرول کو یکجا کرتا ہے، اور UI-TARS Desktop، جو ویژن لینگویج ماڈلز کے ذریعے کمپیوٹر کو کنٹرول کرنے والا نیٹو GUI ایجنٹ ہے۔