self-operating-computer

使多模态模型能够操作计算机的框架

Self-Operating Computer 多模态模型 GPT-4o 键盘鼠标操作 API接口 Github 开源项目

Self-Operating Computer Framework通过模拟人类的视觉和手动操作，实现计算机的自动化控制。当前支持GPT-4o、Gemini Pro Vision、Claude 3和LLaVa多模态模型，并计划对更多模型开放兼容。适用于Mac OS, Windows和Linux系统。

文档

OpenOpenAI - OpenAI官方API兼容的自托管版本

API兼容ChatGPTGithubOpenAI Assistants APIOpenOpenAI开源项目自托管

该项目提供与OpenAI官方API兼容的自托管版本，支持自定义模型和助手，具备RAG、代码解释器和自定义操作测试的功能。只需更改baseURL即可在官方API和自定义API间切换，适用于本地部署和全面控制助手评估。支持Postgres、Redis和S3等组件，适合在沙盒环境中研发和测试GPTs。

i-Code - 打造集成可组合的多模态人工智能框架

GithubProject i-Code基础模型多模态人工智能开源项目文档智能视觉问答

i-Code是一个致力于多模态人工智能研究的开源项目。它提供了多个版本的多模态基础模型，包括i-Code V1、V2和V3(CoDi)，以及i-Code Studio框架。项目还涉及多模态文档智能和基于知识的视觉问答技术。i-Code为AI领域提供了集成视觉、语言和语音的多模态工具，促进了人工智能的跨领域发展。

ChatGPT - 多平台原生应用，涵盖GPT-3和GPT-4访问

ChatGPTDALL-EGPT-3GPT-4Github应用程序开源项目

该应用是一款跨平台的原生应用，支持Windows、Mac、Linux、iOS和Android，提供访问GPT-3和GPT-4的功能。应用包含DALL-E图像生成、声音识别、聊天设置、自定义模型等功能，适用于各种用户需求。原不需VPN（目前需VPN），支持各平台独立设置，拥有SVG显示、语法高亮和自定义API请求头功能，未来将增加数学公式显示、MarkDown支持及OpenAI额外功能。

GPTPortal - 多模态LLM API全能聊天门户

Anthropic ClaudeChat-Bot PortalGPT-4 APIGithubGoogle GeminiMistral AI开源项目

GPTPortal是一个基于Node.js的全功能网页应用，集成了多种LLM API，包括OpenAI的GPT-4、Anthropic Claude、Mistral AI和Google Gemini等。用户可以通过平台与对话机器人互动，支持文本、语音和图像生成功能。平台提供友好的用户界面、自定义指令、对话历史记录、简单设置和多模型选择。适用于需要高级AI和多模态交互的用户，支持技术应用和研发。

MotionGPT - 构建多任务的人体动作与语言统一模型

GithubMotionGPT人体动作人机交互多模态数据开源项目模型训练

MotionGPT是一种整合人体动作和语言的统一模型，专注于两种模态间的语义耦合学习。在诸多人体动作任务中表现优异，包括文本驱动动作生成、动作标题生成及动作预测。该模型结合预训练与指令性微调，能高效处理多种动作相关任务，是动作语言模型的新代表。此外，其零拍技术使其能识别新词汇并生成相应动作，突显处理复杂场景的能力。

multimedia-gpt - 通过OpenAI简单集成视觉及音频的多媒体AI工具

ChatGPTGithubMultimedia GPTOpenAIOpenAI DALLEOpenAI Whisper开源项目

Multimedia GPT是一款利用OpenAI GPT和视觉音频相结合的多媒体工具。它支持图片、音频和PDF文件输入，并以文字和图像形式输出结果。这个项目不需要自己准备GPU，实现了语音识别和图像生成，基于微软的Visual ChatGPT架构，未来计划支持视频处理。它兼容多种OpenAI语言模型，包括ChatGPT和GPT-4，用户可以自定义模型并在不同设备上运行。

modelscope - 整合与应用前沿AI模型的开放平台

API接口GithubModelScope开源库开源项目机器学习模型模型服务

ModelScope简化了AI模型在推理、训练和评估方面的流程，支持CV、NLP、语音、多模态和科学计算等领域的应用。该平台提供统一接口和丰富的API层级，便于开发者轻松集成和使用700多种最新开源模型。适合初学者和专业人士快速上手，体验强大功能。

FreedomGPT - 多模型AI平台提供无审查人工智能服务

AI工具AI模型FreedomGPT开源AI无审查离线使用

FreedomGPT是一个多模型AI平台，提供无审查、无偏见的人工智能服务。平台集成了各种开源和专有AI模型，包括可回答任何问题的Liberty模型。支持浏览器和桌面应用使用，保障隐私和离线操作。FreedomGPT注重安全、隐私和性价比，同时鼓励开发者参与其开源社区建设。

Jarvis - 开源语音交互助手轻松实现跨平台自然语言控制

GithubJarvisPython开源开源项目自然语言界面语音激活

Jarvis是一个基于Python的开源智能语音助手项目，支持macOS、Linux和Windows平台。该系统提供语音激活、自然语言理解和多线程处理功能，可执行语音命令、面部识别、文件操作和系统控制等任务。Jarvis作为一个持续维护的开源项目，为开发者和用户提供了一个可定制的个人助理系统框架。

RLAIF-V - 多模态大模型对齐的开源AI反馈框架

GithubRLAIF-V人工智能反馈可信性多模态大语言模型开源开源项目

RLAIF-V项目提出了一种新的多模态大模型对齐框架，通过开源AI反馈实现了超越GPT-4V的可信度。该框架利用高质量反馈数据和在线反馈学习算法，有效减少模型幻觉，提高学习效率和性能。项目开源的代码、模型权重和数据集为多模态人工智能研究提供了重要资源。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com