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。
周榜 · 最近一周新增的 star · 数据日期 2026-11-18 · 共 8 个项目
快照历史是从 2026-11-06 开始积累的,目前只有 6 天,所以这个「周榜」实际覆盖的是最近 6 天,还不是完整的 7 天。积累够了会自动变成完整窗口。
第 43 名编码助手读一遍测试输出和构建日志就能吃掉几千 token。rtk 是单个 Rust 二进制、零依赖的命令行代理,装上就把测试输出、diff、日志和构建结果压一遍再喂给它,单条命令开销在 25 毫秒以内,官方称常见开发命令能省 60% 到 90% 的 token,另有 pipeline 做更细的分流。
第 66 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 71 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 74 名文生图和多图编辑各占一套权重,显存吃紧时更难受。MiniMax 官方放出的开源权重模型一个检查点同时干两件事:可直出约 16MP、最多接受 16 张参考图,扩散转换器 33.1B 参数,转换器权重 66GB 加 VAE 2.3GB。
改论文排版最烦的是盯着 .tex 源码,猜 PDF 最后长什么样。Papilot 这个 AI LaTeX 编辑器反过来做:只读 PDF、不写 .tex,你在排好版的页面上圈出句子或公式写批注,agent 去找源码,再把改动以排版后的 diff 呈现给你看。
第 89 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。
在 Claude Code 的终端里干活,审批、Diff、多会话都得另找地方。cc-haha 是用 Electron + React 写的本地优先桌面工作台:分支与 Git Worktree 启动、Diff 审阅、图形化权限审批、MCP 可视化、Agent Teams 协作、Computer Use 收进一个 App。
不想给云端 API 付钱、也不想装 Python 环境,模型就全跑在本机。mlx-serve 用 Zig 后端加 Swift 桌面 App 在 Apple Silicon 上跑,OpenAI、Anthropic、Ollama 三套 API 同端口,出图、生视频、音乐、语音和 3D 都能做;内存装不下的模型直接从 SSD 流式读取专家权重,两台 Mac 用雷雳 5 线合跑一个模型。
名次按窗口内新增的 star 排,同增时比 star 总数。快照逐日积累,窗口越长越准。