Havuz

Search your computer by what's in your files: photos, PDFs, documents, recordings, videos and code. On-device on Mac, Windows and Linux, bui

Official Code for OpenVLHarness: Real-World Visual Agentic Tool‑Use with Multimodal Memory

Stop paying the multimodal tax. Your AI agent keeps every image it has seen but only sends the ones it needs: lighter chats, no endless reco

PixelRAG, web sayfaları ve belgeleri screenshot tile’larına dönüştürüp görsel içerik üzerinden arayan bir RAG sistemi sunuyor.

Neden yükseliyor · 121 günde 10.101 yıldıza ulaşması ve 8,28 milyon Wikipedia sayfasını içeren canlı indeks/API sunması dikkat çekiyor. README, Berkeley SkyLab, BAIR ve Berkeley NLP bağlantılı araştırma çalışmasını resmi kod tabanı olarak tanımlıyor. Son 28 günde 5 commit ve 4 farklı yazar görünmesi katkı çeşitliliğine işaret etse de aktiviteyi çok yüksek göstermiyor.

Give Claude the ability to watch and understand videos — Claude Code plugin with frame extraction and multimodal audio analysis

Give AI agents eyes, ears, and verifiable results. Watch Skill turns video, audio and screen activity into searchable, timestamped evidence

🚀🚀 A multimodal System One decision model that gives calibrated answers to typed questions about screens, photos, video and text in one forw

LynnReal-Omni, video üretimi, kontrolü, düzenlemesi ve onarımı için farklı görevleri tek bir multimodal diffusion modelinde birleştiren erken beta bir framework’tür.

Neden yükseliyor · 14 günlük yaşına karşılık 230 yıldız, son 28 günde 75 commit ve 5 farklı yazar kayda değer erken ilgi ve geliştirme faaliyetine işaret ediyor. Çok sayıda video görevini tek modelde birleştirme ve üç/dört adımlı generation iddiaları dikkat çekici; ancak README projenin erken beta olduğunu belirtiyor ve bu performans iddiaları burada bağımsız olarak doğrulanmış değil.

claude-real-video, video dosyası veya URL’den sahne değişimlerine göre seçilmiş kareler ve transcript çıkarıp bunları LLM’lerin inceleyebileceği yerel çıktılara dönüştürür.

Neden yükseliyor · Video analizini mevcut LLM/agent iş akışlarına ekleyen kurulumu kolay bir araç sunuyor; README’de Hacker News ön sayfa rozeti var. 89 günde 2.185 yıldız ve son 28 günde 16 commit ile 4 farklı yazar, ilginin yanında yakın dönem katkı etkinliğine de işaret ediyor; yıldızlar tek başına kullanım veya kalite kanıtı değil.

Halo is an open-source framework built by White Circle for training large language and multimodal models

LLMInternSkill: LLM internship resume and job-search Codex Skill for resume polish, JD tailoring, evidence guard, interview grilling, and Pr

DeepSeek Harness (DSH) plugin: dispatch work to DSH agents from Claude Code / Codex — native subagent progress, in-host worker sessions with

The fastest way to put Volcengine Ark in your terminal and your AI agent — go from prompt to generated media, multimodal answer, or deploy

OpenCode skill suite for MiniMax H3 directing, routing, multishot planning, prompt generation, and review.

doc7, belgeleri multimodal model kullanarak görsel içeriği de koruyan AI-ready Markdown çıktısına dönüştüren bir Go aracıdır.

Neden yükseliyor · 56 günde 1137 yıldız, projeye erken dönemde belirgin ilgi olduğunu gösteriyor; ancak son 28 günde commit ve farklı yazar sayısı sıfır, dolayısıyla ilginin sürdürülebilirliği ve bakım temposu henüz kanıtlanmış değil.

On-device, real-time multimodal AI with features similar to GPT-Live

Modality-First GenAI Platform

A native .NET LLM inference engine and agent runtime for GGUF models. TensorSharp provides a console application, a web-based chatbot interf

AI-enabled Intelligent Document Processing for Python: 12+ LLM backends, Pydantic schemas, self-hosted OCR (Nanonets-OCR2-3B), auto-schema d

Create high-fidelity Codex companions from 2+ photos with local open-weight neural editing and no OpenAI API key.

Cheap Money-Saving Self-hosted AI agent workspace with tool calling, MCP, multi-model routing, sandboxed execution, multi-agent workflows, a

为 Claude Code 赋能多模态视觉能力，适配 纯文本 LLM 底座，用于截图 / UI / 图表分析；搭配 browser-harness 可做前端布局自动化检查。

Open-source video processing core and CLI. Search and annotate local videos with your own model endpoints.

Production-oriented Spring AI platform prototype for RAG, tool calling, async ingestion, JWT/RBAC, and observability.

NEWTON: Agentic Planning for Physically Grounded Video Generation

Real-event-anchored benchmark for detecting AI-generated videos in real-world crisis settings.

Learning Hierarchical and Geometry-Aware Graph Representations for Text-to-CAD

World's fastest and most compact embedded vector database: exact by default, multimodal, local-first, and GPU-accelerated

Human-feedback and data-governance infrastructure for RSI research: annotation, review, provenance and frozen dataset candidates.

Open-source Android AI using LiteRT-LM with hardware acceleration, cloud providers, memory, and voice.