MiniMax 官方的开源权重图像模型:一个检查点同时做文生图与多图编辑,直出 16MP,最多吃 16 张参考图。
这是今天唯一一个由模型厂商自己放到 GitHub 的图像生成模型,权重可以完整下载本地跑。技术上它是 MiniMax H3 家族去掉音频分支后的版本,文本提示与参考图分别由完整的 Qwen3-VL 文本编码器和图像 VAE 编码,全部 token 拼成一个序列交给单流扩散转换器,一次预测目标图像的潜变量。转换器是 33.1B 参数的稠密单流结构,50 层、隐藏维 5376、56 个注意力头,用的是 3D 多模态旋转位置编码,和 H3 的多模态转换器一致。规格上写得很具体:任意长宽比下直出约 16MP,不需要放大器,6 步采样完成;最多接受 16 张参考图,每张不超过 64MB、边长 128 到 8192;提示词最长 32000 字符,超过 4096 token 会被截断。仓库里还带了一个 h3-image-prompt-writing 技能,可以把一句想法扩写成完整提示词并直接调 MiniMax API 渲染出来。
亮点
- 16MP 直接出图,不用放大器,6 步采样完成
- 文生图与多图编辑共用一个检查点,最多 16 张参考图
- 33.1B 参数稠密单流扩散转换器,权重 68.65GB 放在 HuggingFace
- 附带提示词扩写技能,能装进 Claude Code、Codex、Cursor
优点
- 官方放出完整权重,可以完全本地部署
- 规格写得很实:采样步数、参考图上限、输出格式都给了
- Apache-2.0 之外另有社区许可,商用有明确条款
缺点与注意
- 许可不是标准开源许可,年收入超 100 万美元或提供托管服务要事先书面授权
- 商用产品必须在界面上显著展示 MiniMax-H3-Image 字样
- 本地跑要下载 66.28GB 转换器权重加 2.34GB 的 VAE,显存门槛高
- 暂不支持蒙版重绘、透明背景和用户指定种子
看项目详情与各榜名次
华为诺亚方舟实验室的模型无关量化框架:一份工具同时量化文本、图像、视频和音频模型,产出 GGUF。
这是华为诺亚方舟实验室放出的校准量化方案,论文在 arXiv 2611.10649。它的定位是模型无关:同一套方法可以作用在文本、图像、视频和音频模型上,后端覆盖 Diffusers(图像视频音频的 W4A4)、llama.cpp(2、3、4 位 GGUF)、vLLM(文本生成与服务,W4A4 或纯权重量化)、PyTorch(语音生成),另外还专门适配了昇腾。README 给出的性能主张是:量化一个 1220 亿参数的模型只需 64 分钟,设备内存占用 32.5GB;困惑度可以低于 MR-GPTQ 和 DuQuant++,或者用少 11 倍的量化时间达到它们在 Llama-3-8B 上的最佳困惑度。仓库里还提供了一个 MACaQ-R 变体,用来在保持原生量化格式的前提下精修 GGUF 的权重码本,可以直接配标准 llama.cpp 用。README 明确列了已经跑通的模型清单,包括 FLUX.2-klein-4B 图像生成、Wan2.2-TI2V-5B 图生视频、stable-audio-1.0 音频生成,以及 Qwen3 系列多个稠密、混合与 MoE 型号。
亮点
- 一套方法覆盖文本、图像、视频、音频四类模型
- 量化 122B 模型只需 64 分钟、32.5GB 设备内存
- Diffusers、llama.cpp、vLLM、PyTorch、昇腾五套后端都给了可用流程
- MACaQ-R 可直接配标准 llama.cpp 使用
优点
- 标准 Apache-2.0 许可,没有附加商业条款
- 论文、模型与量化配方都公开在仓库里
- 昇腾后端让国产算力也能用上同一套流程
缺点与注意
- 项目只有一天大,量化精度数字全部来自论文与作者自测
- README 里对仓库自身的星数有引导性表述,需自行判断
- 各后端要求 Python 3.12 且彼此隔离,每套都要单独配环境
看项目详情与各榜名次
中文内容再加工流水线:给一篇文章或一条视频,拿到能直接发的小红书图文、长图、公众号排版和竖屏口播视频。
这个项目把「一稿多发」做成了 11 个可安装的技能,同时也是一个 Claude Code 插件,分工是模型负责理解和写作、脚本负责所有确定性的活:抓取、排版、截图、配音、对齐、混音和验收各自独立,靠工作目录里的文件交接,共用一套引擎脚本。输入覆盖 X 长文、任意网页、公众号文章、本地 Markdown,视频侧覆盖抖音、YouTube、B 站、本地文件和字幕文件,先转成逐字稿文章再走同一条流程。产出形态有十几种,包括 1080 宽的手机版长图、小红书 3:4 卡片组、可直接粘贴的公众号排版、带本地配音和逐字字幕的竖屏口播视频,另外还有一页看完、金句图、问答卡这类轻量形态。工程上最值得看的是它的验收纪律:版面查溢出、截断和重叠,原文长图和公众号排版逐块读回比对,改一个字就失败,翻译查块数与结构,视频审片查首句时长、语速、字幕丢帧和响度。渲染走无头 Chrome 的 DevTools 协议,15 种参数化图表颜色全部取自主题,12 套主推主题加 9 套经典主题。
亮点
- 11 个技能可单独用也可自由组合,覆盖抓取、转写、改写、翻译、排版、口播全链路
- 每种产出都有自动验收,不合格直接非零码退出
- 零 npm 依赖,只要 Node 22 和一个 Chrome,用内置 WebSocket 驱动本机浏览器
- 本地 VoxCPM2 配音加 Whisper 逐字对齐,语速按约 4.5 字每秒控制
优点
- MIT 许可,中文项目,文档与主题体系都完整
- 版权与合规写进流程,随包 6 款音色不模仿真人,成片带 AI 标识
- 自带换模型回归测试,实测小模型读者效果约为 Opus 的 88%
缺点与注意
- 插画与漫画仍需 Codex 登录或 OpenAI、Gemini 的付费 key
- 主题字体默认在线加载,国内网络需先跑一次本地化脚本
- 路线图自述小模型效果只有 88%,更多输入源尚未支持
看项目详情与各榜名次
面向无人出镜频道的火柴人动画视频生产线:11 种视觉风格,两种工作流,从选题直接到成片。
这个项目做的是 faceless YouTube 频道最常见的那种火柴人动画视频,输入可以是一个话题、一个链接或者一份完整脚本。视觉风格有 11 种,每种都配了真实录制的演示片段,覆盖黑白解说、现代流行、原始人洞穴、治愈故事、历史卡通、极简线稿、琥珀黑色电影、彩色手绘、复古电视、生存惊悚与角色讲解。两条工作流分得很清楚:导演模式是短片优先,你控制每个镜头,AI 负责出导演方案、分镜、逐场景视频提示词和声音设计,生成环节交给 Google Flow、Runway、Luma、Kling 这些外部工具,最后自己在 CapCut 或 Premiere 里拼;自动模式是长视频优先,跑在 Codex、Claude Code 这类有文件与终端权限的 Agent 里,插画、配音、字幕、局部动画和成片拼装全部自动完成。画幅支持 9:16、16:9 和 1:1,旁白语言可选。作者自己的建议是想要最接近演示效果就用 Codex,他就是在 Codex 里做的演示样片。
亮点
- 11 种视觉风格,每种都有真实演示片段可对照
- 导演模式与自动模式覆盖从 30 秒短片到 10 分钟以上的长视频
- 自动模式完整跑在 Codex 或 Claude Code 里,端到端出文件
- MIT 许可,含故事板、分镜提示词、声音设计等成套产物
优点
- 演示素材齐全,能直接判断风格是否适合自己频道
- 流程产物齐全,不只是一个提示词模板
- 两种工作模式可以按熟练度和项目长度切换
缺点与注意
- README 里带 API 赞助商板块,自动模式的部分环节依赖这些第三方服务
- 仓库体积约 259MB,克隆成本偏高
- 作者自陈不同模型与工具配置会导致结果差异明显
看项目详情与各榜名次
341 种代码动画风格的提示词库,配 196 张参考静帧和离线挑选器,可装成 Claude Code 与 Codex 技能。
这个项目把「用代码做动画」这件事的风格需求整理成了可直接检索的素材库:341 份 Markdown 提示词、196 张有图的参考静帧、其余 145 种只有文字参考,共 10 个系列,覆盖粒子、霓虹、水墨、剪纸、漫画、电影感等方向,按编号分成 B(粒子叙事)、Z(国风)、R(科技感)、M(科普白板)、L(工程方案)、H(杂志排版)等系列。仓库里还带了一个纯离线的挑选器,双击就能在浏览器里打开,可以搜索、按类别筛选、放大图片、勾选风格并导出已选清单,再把清单复制给助手。装成技能之后,助手会按需读取风格、规划镜头并写出 HTML 动画,仓库另配了浏览器渲染工具,可以把带时间接口的 HTML 逐帧导出成 MP4 并混入已有音频。整个流程不调用任何付费图像服务,查风格不需要 API key,实际渲染由编程助手在本地完成。
亮点
- 341 种风格提示词与 196 张参考静帧一一对应
- 离线挑选器支持搜索、筛选、放大、勾选与导出清单
- 可安装为 Claude Code 与 Codex 技能,含一键导入说明
- 浏览器渲染工具可把 HTML 逐帧导出 MP4 并混音
优点
- 查风格完全不需要 API key,素材可直接离线浏览
- 静帧与提示词编号对应,选风格时不必靠猜
- 安装脚本只复制文件,不额外下载依赖
缺点与注意
- 许可不是标准开源许可,写明免费分享但禁止包装成课程或付费技能出售
- 仓库约 125MB,含大量示例视频与静帧
- 只提供风格与流程,视频本身仍要编程助手编写并本地渲染
看项目详情与各榜名次
让任意 Agent 通过 MCP 操作真实手机:审批规则跑在网关层,人不点头就动不了。
Pinky 解决的是一个很具体的问题:Agent 想用你的手机,但你不确定它会不会乱点。它的核心设计是把审批放在网关层执行,而不是靠提示词告诉 Agent 要谨慎,所以即使屏幕上出现文字试图说服 Agent 自批,也批不下来。默认规则是付款、交易、转账这类操作必须等你点击确认,你也可以在设置里把发消息、下单、删除、拨号、安装、跳出 App 的链接和设置变更一并纳入,甚至要求每一步都确认,界面按钮支持十种语言识别。默认屏蔽的还有银行、钱包和密码管理器类 App,Agent 也不能往密码和一次性验证码字段里输入,需要某个银行 App 时可以只对这一次任务放行。平台覆盖 macOS、Windows、Linux,驱动 Android 10 到 17 与 iOS 17.4 之后的设备,iOS 27 之后无需安装辅助程序。客户端用 Go 写的,自己实现的 MyGo 在 GPU 上画窗口,没有 Electron 也没有 webview,安装包 16 到 22MB,空闲时大约 70MB 内存、0% CPU。Android 13 以上 Agent 在隐藏的第二屏工作,你的屏幕保持可用。随时可以接管:点一下镜像 Agent 就暂停,Android 上你碰手机它也会停。
亮点
- 审批规则在网关层执行,Agent 无法自我批准
- 银行、钱包、密码管理器默认对 Agent 不可见
- Android 13 以上在隐藏第二屏运行,不占用你的主屏
- Go 自研 GUI,安装包 16 到 22MB,空闲约 70MB 内存
优点
- Apache-2.0 许可,无需注册账号
- 手机 PIN 只存本机,用 Touch ID、Windows Hello 或钥匙串确认,Agent 看不到
- 支持 Claude Code、Claude Desktop、Codex、Cursor 及任何 MCP 客户端
缺点与注意
- 项目只有五天大,接口与行为可能还会变
- iOS 17.4 到 26 需要从 Mac 装一次辅助程序
- iPhone 上没有隐藏第二屏,Agent 会占用主屏幕
看项目详情与各榜名次
Expo 出品的跨平台应用运行时:一份 Contract 描述跑遍 Web、macOS、iOS 和 Linux,Agent 能在四个平台构建、运行、查看与测试。
Exact 的思路是把界面抽成一门小型的声明式语言 Contract,数据逻辑写成 TypeScript 或 Rust,编译器把界面编译成一个紧凑的执行计划。Web 上这个计划变成一个 20KB 左右的 ES 模块,驱动真实 DOM;macOS、iOS 和 Linux 上由 Rust 运行器执行同一份计划,Rust 布局内核按 CSS 规则算出每一个盒子,再由各平台用自己的工具绘制,AppKit、UIKit 或 GPU 绘制器。UI 里没有 webview,也没有 JavaScript 桥,首帧之前不跑任何应用 JavaScript。它对 Agent 的意义在于可验证:Agent 可以写一份 app.contract,在 Web、macOS 和 iOS 模拟器上各跑一遍测试再打开应用。README 里给了可复现的实测数据,一个全新 Agent 在干净克隆上花约 57 分钟完成,测试在三个平台全部通过,其中约 25 分钟是首次 macOS 与 iOS 构建,之后的构建只要一两分钟。作者也写明这是 exact2,是早期 exact1 的重建,而设计文档在另一个私有仓库里,README 只按编号引用。
亮点
- 同一份 Contract 编译出四套原生界面,没有 webview
- 契约测试可以在 Web、macOS、iOS 模拟器上分别执行
- README 给出完整可复现的 Agent 实测耗时数据
- Rust 编写,MIT 许可
优点
- Agent 能构建、运行、看到、测试四个平台,闭环完整
- UI 路径上没有 JavaScript 桥,启动性能路径清晰
缺点与注意
- 明确处于 1.0 之前,没有 API 稳定性、不保证向后兼容
- 变化很快,README 自己写明缺少迁移指南
- 首次在 macOS 与 iOS 上构建要十几分钟,依赖 Xcode、Rust、Bun 与 Chrome
看项目详情与各榜名次
Uncle Bob 的 Agent 技能:用 CRAP、重复率、变异测试这些确定性指标,强制 Agent 按工程纪律写代码。
ub-mode 是一个只有三个文件的 Agent 技能:LICENSE、README 和一份四 KB 的 SKILL.md,全部价值都在这份技能说明和它引用的四个配套工具上。它把软件工程纪律分成三段:第一段先让它能工作,包括懒人协议、基础性思考、测试驱动开发、从第一性原理重新设计、攻击前提、先减后加、面向结果执行和架构纪律,架构部分又细分为领域建模、边界纪律、类型系统纪律、让操作幂等、序列化共享状态前先分离;第二段再让它正确,包括修根因、把工作切成可验证的单元、测行为而不是测实现、循环复杂度与覆盖率合算的 CRAP 分数控制在 10 以内、结构重复度控制在 0.8 以内、用变异测试找出没被覆盖的代码并杀掉存活变异体,以及重构;第三段是实践,包括记录日志、守住上下文窗口、清理工作树、按顺序小步提交。真正执行这些指标的是四个独立的确定性工具仓库:crapper 算圈复杂度、覆盖率与 CRAP,dryer 检测结构重复,mutator 做变异测试,uml-viewer 把组件、覆盖率、CRAP、变异得分和依赖方向画出来。
亮点
- 纪律被拆成先能工作、再做正确、再实践三段,目标明确
- 用 CRAP 小于 10、重复度小于 0.8 这类可计算阈值代替主观判断
- 配套四个确定性工具仓库,不是纯提示词
- MIT 许可,仓库本体只有三个文件
优点
- 把抽象的软件工程原则落成了可测的数字门槛
- 工具与技能分离,可以单独用工具做持续集成检查
缺点与注意
- 仓库本体极小,读者必须顺着链接去看另外四个仓库才有完整信息
- 四个工具仓库需要各自安装与配置
- 是方法论而不是开箱即用的产品,接入要自己改工作流
看项目详情与各榜名次
Rust 写的命令行输出压缩器:把 Agent 要读的测试、diff 与日志先压掉,装完即用,最多省九成输出。
rtk 解决的是 Agent 成本里最被忽视的一块:Agent 真正读进去的往往不是提示词,而是命令输出。装上之后,Agent 跑 git status,rtk 就把它换成 rtk git status,Agent 读到的是三行摘要而不是四十行。支持 100 多个命令,单条命令耗时低于 25 毫秒,不需要任何配置,每条过滤器要上线都必须至少压缩 20%。作者也把话说得很明白:压缩命令输出只是输入 token 的一部分,输入 token 又只是账单的一部分,所以输出压掉九成不等于成本降九成;token 数按字节除以四估算,百分比可靠、绝对值只是近似。社区版那个 bash 压缩器拿了约 8.5 万星,现在它在做的是 pipeline:一个与 Agent 无关的小文件,告诉 RTK 遇到什么内容该怎么处理,可以装别人写的也可以自己写并分享,社区里最好的一个在作者自己的基准上把总成本砍了 20.2%。pipeline 能打开的开关包括压缩 Agent 读到的所有内容而不只是 shell 输出、把大文件读取交给更便宜的模型、在不破坏提示词缓存的前提下清理 API 流量、以及让 Agent 少写字。统计方面有 rtk gain 系列命令,能看今天和累计的节省量、三十天趋势图与 JSON 导出。
亮点
- 安装后自动生效,Agent 无需改用法
- 100 多个命令,单条低于 25 毫秒,每条过滤器至少压掉 20%
- pipeline 机制可扩展,能把大文件读取路由给更便宜的模型
- 自带节省量统计面板与 JSON 导出
优点
- 8.6 万星、293 天历史、200 多位贡献者,是今天最成熟的一个
- 明确说明压缩不等于省钱,不夸大收益
- 开源版本 Apache-2.0,无需注册
缺点与注意
- 带引擎的版本叠加 BUSL-1.1,商用对外提供需另行授权
- pipeline 可以改写命令并外发内容,安装前必须自己读一遍文件
- 仓库里存在同名 crates.io 包,需要用 rtk gain 确认装对了
看项目详情与各榜名次