Deep Learning

PaddleOCR 是一个综合性工具包，旨在将图像和 PDF 文档转换为 Markdown 和 JSON 等结构化、适配 LLM 的数据格式。它具备最先进的视觉语言模型和高性能文本识别引擎，支持超过 100 种语言。该平台被广泛集成到主流 AI Agent 和 RAG 框架中，可在各种硬件后端上提供高效的部署选项。

DeepGEMM 是一个轻量级的 CUDA 库，专为高效的通用矩阵乘法（GEMM）设计，支持 FP8 和 BF16 数据格式。它利用即时编译（JIT）模块消除了预安装内核编译的需求，同时保持了与专家调优库相当的性能。该库为密集型和 MoE 分组 GEMM 提供了专门的 API，是学习 GPU 内核优化的绝佳资源。

DeepEP 是一个专门的通信库，旨在通过高吞吐量、低延迟的 GPU 内核优化 Mixture-of-Experts 和专家并行。它通过提供非对称域带宽转发和基于 Hook 的通信计算重叠等高级功能，支持训练和推理工作负载。该库针对 NVLink 和 RDMA 环境进行了深度优化，为大规模模型部署提供了显著的性能提升。

Index-AniSora 是一个专为高质量动漫视频生成和动画制作而设计的强大开源框架。该系统集成了全面的数据处理流水线、带有时空掩码的可控生成模型以及专业的评估基准。它支持多种创意任务，包括图像到视频生成、风格迁移、角色 3D 建模和多模态引导。

Magika 是一款利用深度学习提供高精度文件类型识别的 AI 工具，适用于二进制和文本格式。它配备了一个高度优化的模型，能够在单核 CPU 上以毫秒级速度进行推理，并保持约 99% 的准确率。该项目提供了通用的命令行界面和语言绑定，非常适合大规模的安全和内容策略扫描。

VoxCPM2 是一个无需分词器的 2B 参数文本转语音系统，利用扩散自回归架构实现高度自然的音频合成。该模型支持 30 种语言，并提供包括文本描述生成语音和可控声音克隆在内的高级功能。它能够输出录音室级别的 48kHz 音频，并以 Apache-2.0 许可证完全开源，支持商业用途。

ERNIE-Image 是百度开发的一款基于单流 Diffusion Transformer 架构的开源文生图模型。该模型配备了轻量级提示词增强器，能够将简短输入转化为结构丰富的描述。凭借 8B 参数规模，它在处理复杂指令、文本渲染及结构化视觉任务方面表现出色，并支持在消费级 GPU 上高效部署。

RTP-LLM 是由阿里巴巴基础模型推理团队开发的高性能大语言模型推理加速引擎。该引擎已在淘宝、天猫等多个阿里业务场景中广泛应用，并支持多种主流模型格式与硬件后端。它通过集成先进的算子优化、量化技术及分布式推理能力，为开发者提供高效的生产级推理解决方案。

PaddleFormers 是基于飞桨框架构建的 Transformers 库，旨在为大语言模型和视觉语言模型提供与 Hugging Face 对等的训练接口。该项目通过集成张量并行、流水线并行及自动混合精度等技术，实现了在重点模型上超越 Megatron-LM 的训练性能。此外，它还全面支持 Safetensors 格式并深度适配了多种国产计算芯片，助力开发者高效完成全流程模型训练。

PaddlePaddle 是一个全面的工业级深度学习平台，提供核心框架、模型库和端到端开发工具。它支持统一动态图与静态图、自动并行以及用于科学计算的高阶微分等高级功能。该平台旨在通过其成熟且兼容异构硬件的架构，促进工业 AI 在各行各业的商业化落地。