NVlabs/motionbricks
- 来源
- GitHub
- 首次上榜日期
- 领域
- 模型推理
- GitHub 星标数
- 1,108
- 主要语言
- Python
本页介绍外部开源仓库,并非 HDATF 产品。

它做什么
MotionBricks生成连接近期姿态与指定目标姿态的短段人体或人形机器人参考动作。它面向需要把短过渡连续拼接为较长运动的动画和机器人仿真开发者。模型接收四个近期姿态以及一至四个目标姿态,返回以每秒30个姿态采样的动作和足部接触预测。文档中的结构分为身体根节点路径与时长预测、掩码动作符号预测,以及将符号解码为连续动作。已检查的生成代码验证姿态数量和输出缓冲区,无界面示例把上次生成的末尾姿态作为下一次输入。仓库提供SOMA与Unitree G1预训练模型、动作和场景编辑器,以及使用Warp、Newton和TensorRT的Python运行环境。默认运行环境要求NVIDIA GPU,README所述Windows和Linux上的RTX 4090测试不代表所有机器均已验证兼容。文本与场景几何不是模型输入,实体机器人安全需要独立控制和验证,而且代码、文档、模型权重与示例动作采用不同许可证。
许可证
自定义许可 自定义或非标准许可。复用前请阅读许可证文件。
同领域的其他仓库
- Tejas-TA/predikit
predikit是一个Python库,将已训练的机器学习模型公开为语言模型代理可调用的类型验证工具。开发者提供训练好的模型、Pydantic输入定义、工具说明和输出名称。库验证传入值,按模型特征对齐输入,运行预测并返回带名称的结果字典。它可导出OpenAI式工具调用模式、LangChain工具和普通Python函数,并通过注册表管理多个工具。集成模型支持收集结果、平均和投票,也提供加权方式。对于具备预测概率的分类器,置信度阈值可触发警告、错误或备用工具调用,异步调用则在线程池中执行阻塞预测。可选集成可从MLflow或Snowflake加载模型,并通过MCP服务器公开注册表,核心模型支持面向scikit-learn兼容估计器和XGBoost。特征名必须匹配训练列,无名数组依赖字段顺序,这个库不负责训练模型,也不保证概率已校准或预测适用于新的业务环境。 - affifuddin-hazam/ghost-infer
ghost-infer是一个Rust语言模型运行器,接收GGUF格式的模型文件和对话输入,在本地生成回答。它侧重个人使用现有电脑运行模型,而不是面向大量用户批量处理请求的服务器。它提供命令行和聊天界面,还通过OpenAI格式的聊天API逐步返回回答或工具调用信息。工具调用信息表示执行请求,外部Harness使用这一API时仍需提供自己的执行循环和工具。对于每次只选择部分专家参与计算的MoE模型,它将公共计算放在GPU上,把专家权重分布在RAM和GPU缓存中,由CPU计算其余部分。它支持Windows 10或11,GPU运行需要受支持的NVIDIA显卡和驱动,从源码构建还需要GPU代码编译库NVRTC。安装程序包含该编译库,可以使用已有模型文件或下载模型启动,因此核心推理不强制依赖外部付费模型API。请求一次处理一个,支持的模型结构和文件格式有限,不支持图像输入或单次请求生成多个候选回答。 - wici-ai/inferssd
InferSSD是在RAM或显存无法完整容纳MoE模型时,从SSD流式读取权重的本地推理引擎。它是llama.cpp扩展运行工具而非模型本身,接收支持的GGUF权重和用户请求并生成回答。引擎读取每个令牌选择的专家权重,放入RAM缓存,并按环境使用CPU和GPU路径。浏览器聊天及OpenAI兼容API可连接外部客户端。权重需另行下载,不同模型可能需要大量SSD空间和运行工作内存。官方资料介绍Apple Silicon Metal和Linux CUDA,源码构建还需Python与C/C++工具。README开头将Windows标为开发中,正文却介绍Windows 11包,因此需另查实际发行版的后端支持。不能据此认为支持全部模型或硬件,速度取决于SSD、缓存和请求条件。网络API没有认证,需要访问控制,模型权重许可也独立于引擎。公布吞吐量不保证回答质量或自有设备性能。 - canivel/dynolab
Dyno Lab是用于观察本地模型行为和检验假设的Apple Silicon研究应用。研究者输入问题、提示词、模型和实验设置,获得回答、激活测量及保存的实验材料。它提供请求检查、研究笔记、对照实验、线性探针和小型稀疏自编码器工作流。应用内含Python与MLX,但模型权重需另外下载并启动。基础要求是Apple Silicon和macOS 14以上,为大型GGUF模型连接Windows NVIDIA工作节点的GPU池仍属实验功能。复用已加载模型进行测量与启动另一个模型副本的实验有不同内存需求。它提供Python SDK、HTTP API和本地stdio MCP桥,但仅启动MCP不会自动启动模型或实验。结果保存在本地,外部助手仍可能将读到的结果发送给其服务商,因此需检查暴露范围。激活幅度和模型输出的思考文本不是安全认证,也不是对内部计算的忠实解释。官方资料明确区分探索性实验与已验证的安全监测器。 - huawei-csl/MACaQ
MACaQ是一套基于校准的量化工具,通过降低受支持模型权重以及部分后端激活值的数值精度,降低本地推理的资源负担。输入包括相互匹配的原始模型文件,以及有代表性的校准文本、提示词或条件图像,输出包括紧凑的GGUF或safetensors模型文件和处理配置。在已检查的稠密文本模型路径中,激活统计用于平衡权重,随后进行分块Hadamard变换、低比特量化和码本优化。文本、扩散生成和语音模型家族分别有专用适配代码,因此模型无关这一名称不意味着自动支持任何架构。llama.cpp路径提供二、三、四比特权重格式,其他适配器提供权重和激活各四比特的W4A4等方式,但部分组件会保留更高精度。包含变换的常规GGUF流程使用随仓库提供的运行时,MACaQ-R则在部分MoE模型中保留原有格式并优化权重编码,文档说明其结果可由标准llama.cpp加载。准备工作需要后端专用依赖、匹配的原始权重、校准资料和工作存储空间,指南指定Python 3.12、vLLM使用Linux,并为llama.cpp提供CPU路径。重新加载已保存模型不需要重复校准,但仍要核对运行时兼容性和原模型许可,扩散模型指南还明确指出一个社区音频权重的许可不清楚。README报告了内存、速度和模型质量结果,但本次没有复现,不能据此保证其他模型、硬件或应用也有相同取舍。
只收录进入 Trendshift 排行榜的仓库,榜单仅用于寻找候选项目,不转载名次。说明、许可证和星标数来自各 GitHub 仓库。解读是我们自己的判断。我们尚未测试这些项目,上榜并不证明质量。