好开源，值得被发现。

PixelRAG是一个开源视觉检索增强生成（RAG）系统，由加州大学伯克利分校的SkyLab、BAIR和NLP小组开发。它通过将文档渲染为截图瓦片并直接对图像进行检索，保留了表格、图表和布局等视觉结构，而这些是文本解析会丢失的。系统包含一个托管的828万页维基百科索引、CLI工具和Claude Code集成。

TARS 是字节跳动（ByteDance）推出的开源多模态 AI 智能体（Agent）技术栈，包含两个项目：Agent TARS（一个集成 MCP 工具和浏览器控制的 CLI 及 Web UI 智能体）和 UI-TARS Desktop（一个通过视觉语言模型控制电脑的原生 GUI 智能体应用）。

PageLedger 是一个用于可审计的、页面级 OCR 和文档提取的 Python CLI 库。它记录每个提取页面的来源、质量信号和预算，支持可恢复运行、审查队列以及带人工参与验证的重新运行。

该仓库提供了一套全面的Jupyter笔记本集合，用于学习计算机视觉，涵盖从ResNet到RF-DETR、YOLO11、SAM 3和Qwen3-VL等前沿模型，涉及目标检测、分割、姿态估计、OCR等任务，并支持微调和零样本推理。

RunAnywhere 是一套跨平台SDK套件，支持在手机、浏览器、桌面及服务器端完全本地运行AI模型。通过单一语义API提供大语言模型、视觉、语音、语音代理、RAG、嵌入向量及图像生成能力。

Hugging Face Transformers 是一个适用于文本、视觉、音频和多模态机器学习任务的模型定义框架。它提供统一的 API 用于推理和训练，并支持超过 100 万个预训练检查点。

SGLang 是一个面向大语言模型 (LLM) 和多模态模型的高性能推理服务框架，旨在实现低延迟和高吞吐量的推理。