懂AI
awesome-generative-ai

awesome-generative-ai

现代生成式人工智能项目和服务指南

awesome-generative-ai是一个综合性平台，聚焦最先进的生成式人工智能技术与项目。这些技术基于丰富数据训练的机器学习算法，能创造独特的图像、声音和文本。覆盖艺术、编程支持、交互式聊天等多个应用领域，本平台不仅展示成熟项目如GPT模型、Stable Diffusion，也鼓励社区成员贡献想法，共推技术进步。

Generative AI人工智能OpenAI机器学习内容生成Github开源项目
GitHubHugging Face

项目介绍：awesome-generative-ai

概述

awesome-generative-ai 是一个经过精心整理的现代生成式人工智能项目和服务列表。生成式人工智能（Generative AI）是一种利用经过大量数据训练的机器学习算法创建原创内容的技术。这些原创内容包括图像、声音和文本等，相较于其他形式的人工智能，生成式AI可以创作出独特且前所未见的作品，如照片级逼真的图像、数字艺术、音乐和写作等。这些作品拥有独特的风格，有时甚至难以与人类创作的作品区分开来。目前，生成式AI广泛应用于艺术、娱乐、营销、学术和计算机科学等多个领域。

社区贡献

awesome-generative-ai 项目鼓励社区贡献。在提交建议之前，请参考贡献指南，确保您的条目符合标准。可以通过拉取请求添加链接，或创建问题以发起讨论。此外，还可以在发现列表中找到更多生成式AI项目，展示各种新兴项目。

内容目录

  • 推荐阅读
  • 文本
  • 编码
  • 代理
  • 图像
  • 视频
  • 音频
  • 其他
  • 学习资源
  • 更多列表

推荐阅读

推荐阅读部分包括一系列关于生成式AI的文章和研究报告，例如：

  • 大型语言模型如何改变科学、社会和AI。
  • 对生成式AI产业的全面审视，包括其历史和行业生态系统分析。
  • 生成式AI的崛起，特别是稳定扩散图像生成器的成功及其引发的争议。
  • 生成式AI初创公司的增长炒作和投资，以及其潜在应用的探索。

里程碑

项目中记录了一些生成式AI的重要里程碑事件，比如：

  • OpenAI发布的GPT-3和GPT-4模型。
  • GitHub推出的Copilot AI编程助手。
  • DALL·E 2 和Stable Diffusion等图像生成系统的发布。
  • ChatGPT对话模型的推出等。

文本生成

在文本生成部分，项目列举了一些流行的语言模型和聊天机器人，如：

  • OpenAI的API提供对GPT-3和GPT-4模型的访问。
  • Hugging Face的BLOOM模型，支持多语言和多种编程语言。
  • Meta开发的LLaMA大型语言模型等。

此外，还有写作助手、搜索引擎和生产力工具等，可以帮助用户更快速地创建内容、进行搜索和提高工作效率。

图像生成

项目包含多个图像生成模型及服务，例如：

  • OpenAI的DALL·E 2能够从自然语言描述中创作出真实感图像和艺术作品。
  • 稳定扩散（Stable Diffusion）是由Stability AI开发的一种最新的文本到图像生成模型。
  • Midjourney实验室探索新的思维媒介，通过AI扩展人类的想象力。

视频和音频生成

项目还涉及到视频和音频生成领域，提供了包括Synthesia、Rephrase AI等工具，这些工具可以从文本中快速生成视频内容；而Eleven Labs、Resemble AI等工具则可以生成逼真的AI语音。

学习资源

学习资源部分提供了大量免费课程和技术指南，帮助用户掌握与生成式AI相关的技能，包括提示工程课程、OpenAI API示例等，助力用户更好地利用大型语言模型进行开发。

更多列表

除了项目本身，文档还推荐了一些与生成式AI相关的资源和工具列表，涵盖AI艺术、游戏、学术和商业应用，供用户进一步探索。

这个项目的目的是为生成式AI爱好者和从业者提供一个全面的资源指南，帮助他们深入了解这一技术如何应用于各种创意领域。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多