开源PDF转Markdown项目 Vision Parse，支持各大主流AI模型
Vision Parse 是一个基于最先进的视觉语言模型的 PDF 文档处理工具。它可以从扫描文档中智能地识别和提取文本、表格和 LaTeX 方程式,并将其转换为高格式化的 Markdown 内容。该工具支持多种视觉语言模型,如 OpenAI、Gemini 和 Llama,并提供了丰富的定制参数来优化文档处理性能。…
开源精选
在这个技术方向，积累扎实的知识与实践。
共 118 篇文章微软开源｜纯视觉GUI屏幕解析工具：OmniParser
OmniParser是一种将用户界面截图解析为结构化和易于理解的元素的综合工具，它显著增强了GPT-4V生成可以在界面相应区域准确定位的动作的能力。 安装步骤： cd OmniParser conda create -n "omni" python==3.12 conda activate omni pip install -r…
利用AI大模型一键生成高清短视频的开源项目
分享了一个利用AI大模型一键生成高清短视频的项目，这次给大家带来的是它的原型，一个基于Python 3.9通过AI帮助用户使用在线视频自动化变现的应用程序。 项目主要功能包括： 自动使用推特机器人 自动使用YouTube短片 寻找联盟营销（亚马逊+推特） 寻找当地企业和冷外展 安装步骤： git clone…
一款可以完整保留排版的PDF翻译：GitHub增长第一、可私有化部署
最近看论文较多，顺手给大家推荐一个用下来觉得不错的开源PDF翻译工具： PDFMathTranslate 目前这款开源项目在GitHub上已经收获了7.6K Star，而且由于一直处于增长趋势榜第一的位置，预计未来还会持续增长许多。 PDFMathTranslate简介 对于 PDFMathTranslate…
开源专业Logo创建神器：LogoCreater
这是一个开源的 logo 生成器,可以在几秒钟内创建专业的 logo,并提供可定制的样式。 主要功能点 使用 Flux Pro 1.1 on Together AI 进行 logo 生成 基于 Next.js 和 TypeScript 的应用程序框架 使用 Shadcn 的 UI 组件和 Tailwind 进行样式设计 使用 Upstash Redis…
又一款Postman的平替工具，拒绝浏览器套壳
Postman作为最主流的REST测试工具，可以说定义了整个行业的生态，但是其糟糕的性能、强制登录、商业收费等等原因导致其逐渐被众多开发测试人员抛弃。大家都在寻求替代解决方案，但是很多工具本质还是浏览器套壳，只能解决部分问题，那么有没有一款产品能够彻底解决这些问题呢？…
吴恩达开源新作！统一 LLM 调用的 Python 包：Aisuite
近年来，大型语言模型（LLM）如雨后春笋般涌现，OpenAI、Anthropic、Google、AWS 等各大厂商纷纷推出强大的模型。 然而，开发者在调用这些模型时往往需要适配各自的接口，繁琐且效率低下。 为了解决这一痛点， 吴恩达团队 推出了开源 Python 包： Aisuite ，看名称就知道是一个AI套件。 一个统一 LLM…
开源高质量文字识别项目：Ollama-OCR
Llama 3.2-Vision 是一种多模态大型语言模型，有 11B 和 90B 两种大小，能够处理文本和图像输入，生成文本输出。该模型在视觉识别、图像推理、图像描述和回答图像相关问题方面表现出色，在多个行业基准测试中均优于现有的开源和闭源多模态模型。 本文将介绍开源的 ollama-ocr [1] 工具，它默认使用本地运行的 Llama…
基于 Spring Boot的开源搜索引擎、AI 驱动的数据库跨平台工具
今天给大家分享一个基于 Spring Boot的搜索引擎及一个AI 驱动的数据库跨平台工具。Let’s go！ Lucene Server 一款基于 Spring Boot 和 Lucene 核心库构建的搜索引擎。 可以零代码实现对海量数据的同步搜索，只需一点初始配置。 主要特点包括： 零代码实现，避免了复杂的代码开发过程。…