DeepSeek 官方开源的主动式编码智能体原型:监听 GitHub 与飞书,被允许才开工作项,最后交回一个 pull request。
dsh-superagent 是为单个 GitHub 仓库设计的主动式编码智能体,打包成 DeepSeek Harness 的一个插件包。它常驻监听 GitHub 事件,也可以接飞书;一旦有人明确允许,它就开一个工作项,在属于自己的会话和目录里干活,再回到原来的对话里回答,交付物常常就是一个 pull request。README 写明这是研究用原型、不是官方产品,工程上大量由编码智能体代写,可能仍有 bug、风格也不完全一致,发布版与论文《Exploring Super-agent Design》里描述的内部实现并不相同。设计哲学被单独写成一篇文档:尽量少占人的注意力、尽量多给价值,只有在被要求或团队规则允许时才行动,只有在需要人行动或人能用上结果时才开口;配套有 000 到 008 共九篇编号文档,按顺序读下来能看清领域模型、授权、执行、提示词、面板与部署的分层。
亮点
- 监听 GitHub 与飞书事件,被允许后才开工作项并独立目录干活
- 交付回到原对话,一个 pull request 就是结论
- 网页面板只显示需要人处理的事,沉默是默认状态
- 000 到 008 共九篇编号文档,覆盖授权、执行、面板与部署
优点
- 8 天 21207 星,日增约 2651,是本轮候选里增速最高的
- MIT 许可,TypeScript 实现,pnpm check 跑通类型检查、测试与构建
- 安装由自己的编码智能体读 SETUP.md 一步步带你做
缺点与注意
- README 自述为研究原型,可能仍有 bug,编码风格与工程实践不一致
- 论文里的部分设计未实现,发布版与内部版本并不相同
- 定位是单个仓库的主动式智能体,跨仓库编排需要自行扩展
看项目详情与各榜名次
DeepSeek 生产服务所用的高性能推理框架开源:MoE 专家并行、批不变推理、确定性采样与结构化输出都在内核里。
DeepInfer 是支撑 DeepSeek 大规模生产服务的推理框架,本次开源给的是离线推理所需的核心能力,当前支持 DeepSeek-V4.1-Flash 一款模型。底层是自研与社区算子的组合:FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect 以及自定义 TileLang 算子;并行策略覆盖注意力数据并行与平衡上下文并行,以及 MoE 的专家并行与 EPLB 负载均衡。解码侧有 DSpark 与置信度调度验证,用草稿词加速并按置信度安排验证时机;调度侧用 SWA 有界回放只重算有限后缀,批调度与设备执行重叠做到零开销调度。更实用的两个开关是批不变推理与确定性采样:开启后模型在任意批次组合下输出保持一致,配合固定随机种子可得到完全相同的采样结果,另有正则、JSON schema 与 EBNF 三种结构化输出约束。代价写在硬件要求里:只支持 NVIDIA SM100 与华为昇腾 950,需要 Linux、GCC 13 以上、Python 3.12 与 CUDA 13 或 CANN 9.2,KV cache 系统、预填充与解码分离、跨副本负载均衡这次并未包含。
亮点
- 注意力 DP 与平衡 CP、MoE 专家并行与 EPLB 一整套并行策略
- 批不变推理与确定性采样开关,输出可复现
- DSpark 草稿词加速加置信度调度验证
- 支持正则、JSON schema、EBNF 三种结构化输出约束
优点
- 23 天 25673 星,日增约 1116,本轮候选里体量最大的开源框架
- Apache-2.0 许可,代码是在 vLLM 基础上演进而来
- 预填充与解码分离所需的引擎功能大部分已实现
缺点与注意
- 只支持 NVIDIA SM100 与昇腾 950 这类新硬件,门槛高
- KV cache 系统、预填充解码分离的完整部署与跨副本负载均衡未随本次发布提供
- 需要从源码编译,Linux 加 GCC 13 与 CUDA 13 的环境准备不轻
看项目详情与各榜名次
一个把「AI 味界面」当病症来诊断的技能:先列出问题位置,再定方向,然后像设计师做红线批注那样逐屏改。
unslop 面向 Claude Code、Codex 与 Google Antigravity,作者是 Damir Sokolovsky,他把这类界面称为 slop。技能的工作方式是先诊断再动手:审计环节会逐条列出紫色渐变、发光、emoji 标签、叫嚣式的文案、间距不均等迹象及其所在位置;接着从产品本身提取方向,包括性格、世界观、承载色彩的一两个瞬间和一个标志性细节;然后按间距、颜色、图标、文案、字体、布局、细节、视觉、动效的固定顺序逐轮修改,模仿设计师做红线批注的节奏。它不绑定框架,Next.js、React、Vue、Svelte、Tailwind 或纯 HTML CSS 都能用,仪表盘、应用、落地页都行,甚至只有一个链接的线上站点也能处理。视觉素材这一层会调用 fal、Replicate、OpenAI images 或 Higgsfield 生成场景,没接服务时可以改用 MCP 服务器接入,并且每次付费生成前都会把提示词摆出来征询同意。审计与方向提案都在动手之前给出,所以能提前纠偏;界面本来就不差时,它会直说并只给几处小修建议。另外还支持输出十秒以内的方形短视频,记录界面自我改造的过程,需要 Playwright 与 ffmpeg。
亮点
- 先审计再提案,动手之前就能把方向掰回来
- 固定九轮顺序推进:间距、颜色、图标、文案、字体、布局、细节、视觉、动效
- 付费生成前一定展示提示词并征询同意
- 不绑定框架,线上站点只给一个链接也能处理
优点
- 10 天 12014 星,日增约 1201,增长势头在开发工具类里最强
- 技能可直接装进 Claude Code、Codex 与 Google Antigravity 三处
- 附带十个真实界面的改造前后对照参考帧
缺点与注意
- CC-BY-4.0 许可,商用需要署名作者并链接回仓库
- 输出故事视频要额外装 Playwright 与 ffmpeg
- 审美判断本身有主观性,方向提案仍需人来拍板
看项目详情与各榜名次
命令行智能体的后台自动化中台:Agent 干完一轮就退出,只有拿不准的事才推飞书卡片找你拍板。
agent-autoloop 解决的是命令行智能体「人守着终端用」的痛点:窗口一关事情就断。它把任务调度做成一个约 1850 行、零运行时依赖的内核,事件来源、执行智能体、通知通道乃至代码交付流水线全部拆成可插拔插件,装在一台电脑上一条命令就能跑,不需要云服务器也不开公网端口;接新智能体只要一行配置,任何能接收提示词并打印最后一条回复的命令行工具都能接,不需要 SDK 也不改源码。整个闭环是五步:事件进来,规则决定交给谁在哪个目录干,同时排队的消息会合并成一轮;Agent 把结果写在最后一条回复里然后进程直接退出;只有遇到删数据、重启服务、花钱、对外发消息这类事,内核才通过飞书或桌面通知推一张卡片过来;你选完它接上原来的对话把剩下的干完。内核有四个机制值得注意:挂起零消耗,等你拍板时进程直接退出,等待状态存在数据库里,三天没回也没有进程在跑;事件溯源,所有状态从只追加的日志算出来,进程被强杀也不丢已确认的事;指令数据分离,Issue 标题正文这类外部文字只作为资料放进文件,不拼进提示词;跳数熔断,层数累加超过八层就只记录不再派活。
亮点
- 挂起零消耗,等你拍板期间不占进程也不花 Token
- 指令数据分离,外部文字只当资料不进提示词
- 事件溯源加跳数熔断,进程被杀也不丢已确认的事
- 八套现成场景模板,含早报、Issue 跟进、告警排查与 PR 交付
优点
- 5 天 4109 星,日增约 822,fork 数 748 已经超过星数的一半
- MIT 许可,TypeScript 实现,内核零运行时依赖
- 事件源、智能体、通道、交付四个方向都能换插件
缺点与注意
- README 明确说明四种 Webhook 模板只在本地模拟服务验证过,没连过真实 GitLab
- ACP 适配只跑通握手,多轮问答与会话续接尚未验证
- 需要 Node 24 以上、Git 与一个已登录的命令行智能体
看项目详情与各榜名次
逆向一切视频:逐个镜头判断是实拍、AI 生成还是代码写的,再告诉你怎么复刻。
rea-video 站在成片之后做逆向分析,为智能体设计,用法是一句话:在 Claude Code 或 Codex 里说安装这个仓库并拆解某条视频,智能体会自己装好命令行工具、学会流程并跑完整套,需要 ffmpeg 与 Python 3.10 以上。输出有三层:一句话结论,比如「41% AI 视频加 59% 代码界面,8 秒真实屏幕录制,配乐 122 BPM」;一份复刻方案,把镜头拆成该拍的、该生成的、该写代码的三类;以及一份完整的 report.html,含逐镜头画面、证据、提示词、镜头与灯光笔记、音频拆解。除了判断画面怎么做的,还覆盖字幕与花字(可导出 SRT 与 ASS)、贴纸与画中画位置、切点与节奏、音频是人声还是 AI、BPM 是多少、哪些素材得自己补。准确率是它最硬的部分,README 给了三组数字:调参集上纯离线工具 98.3%,留出集 99.6% 与 98.9%;但平台重编码的微信视频样本上掉到 88.6%,接上视觉模型回到 99.6%,再加一轮智能体视觉复核才到 100%,原因也写清楚了,重压缩会抹掉噪声证据。底层流程是先切镜头并把音频拆成人声、音乐、音效,再采集证据,最后把复刻方案按目标视频模型的实际能力分批。
亮点
- 给智能体设计,一句话指令即可完成安装与拆解
- 准确率分三档披露:离线工具、视觉模型、智能体复核逐级提升
- 逐镜头给出该拍、该生成、该写代码的三分复刻方案
- 字幕可导出 SRT 与 ASS,音频给出 BPM 与人声来源判断
优点
- 10 天 4514 星,日增约 451,README 提供完整复现说明
- Apache-2.0 许可,纯 Python 实现,依赖只有 ffmpeg 与 Python
- 接视觉模型可选,不接时智能体能自己看图复核
缺点与注意
- 平台重压缩会抹掉噪声证据,重编码样本上离线工具只有 88.6%
- 接入 Gemini 或豆包等视频模型需要自备端点与密钥
- 复刻方案依赖对目标视频模型能力的假设,模型限制变化需重新分批
看项目详情与各榜名次
用代码写电影:编码智能体写剧本、逐帧搭画面、设计声音,最后交出一个成片 MP4。
cinecode 把影片的每个环节都交给代码,在 Claude Code(桌面应用、VS Code 扩展或终端)或 Cursor 里本地运行,不需要付费服务;旁白是可选的,要用就自备 Gemini 密钥(有免费额度)、ElevenLabs 或免费的土耳其语声音。它的做法在短片这一档最有意思:智能体不会满足于第一反应,会把你的想法和从世界上随机抽来的真实事物交叉,比如博物馆藏品、动物、太空照片、旧发明、历史地点或某种手艺,于是拿到的不是你也能想到的第一个版本;每个建议都会和你已做过的片子比对,避免自我重复;材质由你定,可以是有真实光照的三维、二维动画、水彩、水墨、纸、黏土、动态图形或像素,视觉风格从真实影片的静帧拼成的看板上挑,整片开工前你能先看前两场再批准。长视频走 Film 模式,按幕与章推进,脚本里每个关于真人或真实事件的说法都带出处,第一分钟埋一个开放问题并给出好奇心地图,素材上用开放档案的照片、地图、文献与影像,缺画面的地方用代码补,比如自己画出来的地图、计数器、示意图与重建的地点,最后做负十四 LUFS 母带并生成版权说明文件。广告与产品片有专门的专属性测试,防止片子换个品牌也成立,社媒解说与音乐视频还涉及节拍网格测量与逐行对应画面。
亮点
- 每一帧都在无头 Chrome 里由代码渲染,three.js 加 ffmpeg
- 创意会与你已做过的片子比对,避免自我重复
- 长视频脚本里每个真实事件说法都带出处,配好奇心地图
- 广告片带专属性测试,避免换个品牌同样成立
优点
- 5 天 1604 星,日增约 321,是本轮增速最高的新仓库之一
- MIT 许可,主 README 为土耳其语并提供英文与简体中文版
- 快速模式单次会话可完成约三分钟影片,长片走分步审批
缺点与注意
- 主文档为土耳其语,中文用户需切到 README.zh-CN.md
- 旁白与部分声音效果依赖自备的外部服务密钥
- 影片时长越长越耗时,长片模式需要更多使用额度
看项目详情与各榜名次
跑在自己显卡上的开源版 Higgsfield:ComfyUI 加开放权重模型,62 个功能、118 个预设、15 个 MCP 工具全流程本地完成。
CreatorOS Studio 是搭在本地 ComfyUI 上的一套图像与视频工作台,主题是「一个固定角色,从一句话企划到一条剪好的成片」,所有模型都是开放权重,全部在本机跑,不调用任何接口也不外传数据。规模上它把 62 个功能分到图像、视频、声音与剪辑四类,每个功能都配一页由真实渲染结果写成的原理说明;另有 118 个预设覆盖舞蹈、三维舞蹈棚、镜头运动、转场、音乐风格、声音与短片格式,其中 56 个是风格、光线与广告产品类的 look;内置 25 套配方,并接了一个应用商店,可浏览并导入 262 个官方 ComfyUI 工作流,其中 29 个不下载任何东西就能跑;对外还提供 15 个工具的 MCP 服务器与一个智能体技能。角色可以在界面里训练:描述长相、选四张脸之一,工具会生成参考图集、十二张图与身份 LoRA,也可以用自己图库训练,起步前会给出预计耗时并支持随时取消,之后同一张脸贯穿所有照片、短片与成片。最实用的是它给出的单卡实测数据:作者用 RTX 5090 32 GB、ComfyUI 0.43、Ubuntu 26.04 测下来,出图中位 3 秒峰值 21.7 GB 显存,带参考图的出图中位 14 秒,图生视频带声音中位 112 秒峰值 31.8 GB,训练角色 LoRA 一千二百步约 30 到 38 分钟。公开演示还设了护栏,涉未成年人与裸露一律拒绝,每次渲染都过一遍 NudeNet 检测。
亮点
- 62 个功能、118 个预设、15 个 MCP 工具,全部只用开放权重模型
- 单卡实测数据齐全:出图中位 3 秒,图生视频中位 112 秒
- 角色可在界面里训练并贯穿所有素材,训练过程可随时取消
- 每次渲染都能导出成实际跑过的那份 ComfyUI 工作流
优点
- 23 天 68 星,23 天里持续更新到 11 月 8 日,是刚起步的新项目
- Apache-2.0 许可,全部模型开放权重,数据不出本机
- 公开演示有未成年人与裸露护栏,并有隔离目录机制
缺点与注意
- 当前只有 68 星,社区规模与第三方验证都还很小
- 图生视频峰值显存 31.8 GB,接近填满 32 GB 显卡
- 内置的 MiniMax H3 权重许可排除欧盟、英国、韩国与美国
看项目详情与各榜名次
vLLM 社区的多模态服务框架:文本、音频、图像、视频、动作统一在一个运行时里对外服务。
vllm-omni 是 vLLM 社区为支持全模态模型服务而做的分支,2025 年 11 月正式发布,定位是让多模态生成模型的部署与普通大模型一样省事。版本节奏跟得很紧,0.32.0 与 vLLM 0.32.0 对齐,带来了基于 Ray 的可选多节点推理、以引擎持有会话为核心的全双工服务、面向轮次式实时请求的服务端语音活动检测,并在图像侧扩充了生成能力,接入 YuE2-3B、Qwen-Image-2.1、Kandinsky6、MOSS-Image 与 TaoMate-H3 等模型,同时配了一份技术报告描述这个统一运行时如何同时处理文本、音频、图像、视频与动作生成。往前追一段,0.30.0 带来了面向 MiniCPM-o 4.5 与 AURA 的全双工服务框架,跨阶段的 KV 与多模态载荷可以直接交接,提供 Mooncake 的 AR 到 DiT 交接与 NIXL 连接器,还支持 LingBot World 这类交互式世界模型服务,以及 MiniMax H3 Turbo 在 Blackwell 与昇腾 950 上的实时推理。0.28.0 起 MiniMax H3 在 GPU 与 NPU 上进入生产可用状态,AR 与 DiT 统一分页 KV cache 运行时成型。训练侧衍生出的 VeRL-Omni 已经到 0.2.0,用它做扩散强化学习时请求级与步级批处理走 FA3,Qwen3-Omni 多模态训练重建为 DPO 与 GSPO,并支持 LTX-2.3 与 Qwen-Image-Edit。
亮点
- 0.32.0 与 vLLM 上游版本线对齐,跟随升级成本低
- 图像侧接入 Qwen-Image-2.1、Kandinsky6、MOSS-Image 等生成模型
- 跨阶段 KV 与多模态载荷交接,支持 Mooncake 与 NIXL 连接器
- 衍生 VeRL-Omni 已到 0.2.0,可用扩散强化学习训练多模态模型
优点
- vLLM 社区官方项目,7632 星,2071 个 fork,生态基础扎实
- Apache-2.0 许可,Python 实现,文档与技术报告齐全
- GPU 与国产 NPU 双线支持,MiniMax H3 在两边都进了生产可用
缺点与注意
- 版本线跟得太紧,升级时要留意兼容性变更说明
- 图像与音频生成依赖各自的扩散运行时,部署复杂度高于纯文本服务
- 项目已运行 424 天,本次开源的多模态新特性分散在多个版本里
看项目详情与各榜名次