正在整理你需要的资料…
增量榜看的是「这段时间里涨了多少 star」,不是 star 总数。 快照每天记一次,所以历史越长,窗口越准。
月榜 · 最近一个月进过每日精选的项目,按站内综合评分排 · 数据日期 2026-11-18 · 共 7 个项目
这一榜不按 star 增量排。候选是最近 13 天里进过「每日精选」的项目 —— 那些是站内逐个读过、写过解读的;名次按站内综合评分排, 评分来自增速、规模、活跃度、文档、许可、社区与方向匹配度的加权。 涨得猛但没被选进来的项目不会出现在这里。
每日精选从 2026-11-06 开始,目前覆盖最近 13 天,还不是完整的 30 天。积累够了会自动变成完整月份。
第 9 名做一条视频,调研、写稿、生成素材、剪辑、合成,每步都得切工具。OpenMontage 把整条流水线交给编码智能体:12 条生产流水线、100 多个工具、700 多份技能与制作知识文件。从一条 YouTube 参考视频起步,它会拆转写稿、节奏、镜头和风格,给出 2 到 3 个方向、成本估算和样片;Backlot 本地看板实时显示每个供应商花了多少钱。
第 38 名本地跑大模型,显存就是那道墙。MACaQ 是华为诺亚方舟实验室的模型无关量化框架,把文本、图像、视频、音频模型量化成 GGUF:Diffusers 走 W4A4,llama.cpp 出 2/3/4-bit GGUF,vLLM 做文本生成与服务,PyTorch 负责语音;每个后端要单独建 Python 3.12 环境。官方称量化 122B 模型约需 64 分钟、32.5GB 显存。
第 39 名没预算买云端算力,想在本地显卡上出视频?FreeVideo 让 MiniMax H3 在 8GB 显存加 16GB 内存的消费级显卡上就能跑,权重摆放、计算精度和注意力核按你的硬件自动挑。
第 44 名vLLM 原本只管文本自回归生成,想把视频、语音、图像模型摆进同一套推理栈,就得换一套框架。vLLM-Omni 把文本、图像、音频、视频、动作统一到一个运行时对外服务,也纳入了非自回归的 DiT 这类并行生成模型,输出可以是文字、多模态或动作。Apache-2.0 协议。
第 48 名图像与视频生成要跑得快、要省显存,英伟达把模型和推理引擎放进一个仓库:SANA 出图,最高 4K,官方称比 Flux-12B 小 20 倍、快 100 倍;SANA-Video 2.0 做 720p 视频,SANA-Streaming 实时改视频,Sol-RL 管强化学习,Sol 引擎在 GB200 上把 33B 模型提速 3.95 倍。Apache-2.0 协议,基于 PyTorch。
第 63 名原版 MiniMax-H3 参数太大,消费级显卡上跑得吃力。Video Rebirth 把它压成 13.7B 的少步版本,4 到 8 步采样就同时生成 5 到 15 秒画面与同步立体声,权重有 INT8 与 GGUF 两种格式,Q4_K_M 压到 9.1 GB,24 GB 显卡能跑。
第 67 名自回归视频模型训练时容易走捷径,生成出来的画面看着像那么回事,物理却不守。腾讯 IEG ARC 与南京大学提出 Future Chunk Prediction:训练时用辅助分支预测时间上更远的未来片段,只靠视频像素监督就提升物理一致性,学到的表征也更有结构。训练与推理代码、1.3B 和 5B 权重都已放出。
名次按站内综合评分排,同分时比上榜次数、再比 star 总数。「上榜期数」悬停可看是哪几期。数据来自每天 09:00 的 GitHub 采集与站内编辑精选。