AI开发平台

3,641 个结果 · 第 97 / 102 页

pythonanywhere-mcp-server

PythonAnywhere Model Context Protocol（MCP）服务器，用于将 AI 工具与 PythonAnywhere 云平台集成。它作为 AI 工具与 PythonAnywhere 账户之间的桥梁，允许语言模型和自动化客户端以安全、可编程的方式管理文件、网站、Web 应用和计划任务，并保持细粒度控制和可审计性。需要安装 uv 并准备 PythonAnywhere API 令牌和用户名。

pytorch-llama

pytorch-llama 是一个在 GitHub 上开源的项目，其核心目标是用 PyTorch 从零实现 LLaMA 2 模型。该项目由 hkproj 维护，仓库中提供了完整的代码文件与目录结构，方便开发者学习、研究或复现 LLaMA 2 的架构与实现。从现有资料来看，该项目属于大语言模型相关的技术实现，适合对 Transformer、注意力机制以及 LLaMA 2 内部结构感兴趣的开发者参考。资料未提供详细的安装步骤、使用说明、功能列表、平台支持、收费情况或效果评估，因此这些信息暂未提供。

QA-Pilot

中文介绍正在整理，稍后补充。

qa-probe

qa-probe 是一个本地 QA 智能体（Node.js 命令行工具），用于定位页面数据缺失的根本原因。它会读取 React 前端代码，把每个 API 调用映射到对应的后端路由，用真实认证信息实时探测这些端点，然后以一句话说明失败原因并给出修复提示，而不是仅返回状态码。工具支持 FastAPI、Express、Next.js、GraphQL、tRPC 等后端，并可为每个路由打分（0-100）。它由 LightShield SIEM 团队开发，采用 Apache-2.0 许可。

QAnything

中文介绍正在整理，稍后补充。

QApilot

中文介绍正在整理，稍后补充。

qiniso

Qiniso 是面向 AI 智能体的确定性事实校验层，用于核验结构化标识符是否符合校验和与权威数据。它可检查 IBAN、VAT 税号、VIN、条形码、国家及税务 ID、加密地址、电话号码、日期与节假日等，覆盖 56 个工具、8 个领域。与依赖模型判断不同，Qiniso 通过已发布的标准、经过审计的库和整理数据来验证事实，而非猜测。它可作为 MCP 连接器接入 Claude，也可作为 TypeScript 库调用，无需密钥、不读用户数据。

qiniu-mcp-server

qiniu-mcp-server 是基于七牛云产品构建的 Model Context Protocol（MCP）Server，让用户在 AI 大模型客户端的上下文中通过该 MCP Server 访问七牛云存储、智能多媒体、CDN 刷新与预取以及直播服务等。它提供存储相关的 Bucket 列表获取、文件列表获取、本地文件与文件内容上传、文件内容读取、文件下载链接获取；智能多媒体支持图片缩放与图片切圆角；CDN 支持根据链接刷新文件与预取文件；直播服务支持创建直播空间 bucket、创建直播流、获取直播空间列表、获取流列表、绑定推拉流域名、获取推拉流直播地址以及获取直播用量。项目要求 Python 3.12 或更高版本，支持通过 uvx 运行，并可在 Cline、Cursor 等 AI 客户端中配置使用。

qionggeme

qionggeme 是香港的 AI API 中转服务站，聚合 Claude、OpenAI GPT、Gemini、DeepSeek 等主流大模型 API，主打价格透明、线路稳定，并支持 Claude Code、Cherry Studio、NextChat 等客户端一键接入。用户可通过该中转站以统一入口调用多家厂商的模型 API，适合需要使用多种大模型能力但希望简化接入流程的开发者和个人用户。具体价格、计费方式、可用模型清单及详细接入文档暂未提供。

qlik-mcp

中文介绍正在整理，稍后补充。

qmailing-mcp-server

QMailing 的 MCP 服务器，让 AI 智能体通过 QMailing API 读取和发送邮件，并管理邮箱、自定义域名和 Webhook。提供两种接入路径：面向 Claude.ai 的自定义连接器（OAuth 授权，无需安装包），以及面向传统 MCP 客户端（Claude Desktop、Cursor、Continue、Zed 及命令行客户端）的 npm 软件包 + API Token 方式。两条路径的工具集一致，如 qmailing_list_mailboxes、qmailing_send_email 等。

QMuse

蚂蚁集团推出的AI无代码应用生成平台

QName

QName 是一个面向 AI SaaS 构建者的 AI 域名搜索与追踪工作区，可将新兴模型信号与可品牌化的域名创意关联起来，并提供 WHOIS 查询。它支持 WHOIS 搜索、域名搜索、批量检查与域名年龄对比，可查看注册日期、注册商、名称服务器等信息，并覆盖 .com、.ai、.io、.app 等后缀，还提供 qname-cli 命令行能力与 Domain Claw 推荐。其定位是辅助研究与注册前核查，不替代商标检索或最终注册。

Qordinate

Qordinate 是一款个人 AI 助理，能够代表用户与他人沟通，知道该分享什么、何时分享以及分享给谁。目前可在 WhatsApp 和 Arattai 平台上使用，其他平台即将推出。它主要面向创始人、运营人员和团队，帮助他们从 Slack、WhatsApp、iMessage 和 Telegram 等聊天工具中协调工作，包括获取状态更新、跟进人员、准备会议以及跨应用推进工作。其核心理念是“真正的工作是多人协作，AI 也应该如此”，每个人拥有一个了解自己的 AI，AI 之间互相协调，从而减少人类的沟通负担。

Qualcomm AI Hub

Qualcomm AI Hub 是面向端侧 AI 的平台，提供经过优化的开源与授权模型，也支持用户自带模型。用户可借助 Workbench 将训练好的 PyTorch 或 ONNX 模型转换到任意端侧运行时（LiteRT、ONNX Runtime 或 Qualcomm AI Runtime），进行量化与微调以兼顾精度，并在云端托管的 50 多种 Qualcomm 设备上做性能分析和推理验证。平台强调用少量代码完成模型的优化、验证与部署，目标是加速端侧 AI 的开发与落地，适用于需要把实时 AI 部署到多种设备、打造下一代用户体验的场景。资料未提供具体价格、收费方式、平台限制或详细使用步骤。

quality-control-plan-mcp

中文介绍正在整理，稍后补充。

quantdata-plugin

Quant Data 是一套面向 AI 智能体的市场统计技能，提供美股与 ETF、期货、港股和 A 股的量测数据，包括日内类型概率、Weis 成交量波、期权最大痛点（Max Pain）和做市商 Gamma 暴露（GEX）。它通过 MCP 远程服务器 https://api.quantdata.uk/mcp 提供四种端点，可安装为 Claude Code 插件、Codex 插件市场项和 Gemini CLI 扩展，也支持任何能发送带自定义请求头 HTTP 请求的客户端。无需 API 密钥即可试用匿名调用，也可通过邮箱申请免费密钥，每日有 10 次成功调用额度；付费方案为每月 149 美元，前 3 天免费。所有输出均为统计测量结果，不构成买卖建议。

quanticdata-mcp-server

中文介绍正在整理，稍后补充。

quantoracle

QuantOracle 是面向自主金融智能体的量化计算 API，提供 63 个确定性计算器与 10 个组合工作流，覆盖期权、衍生品、风险、组合、统计、加密/DeFi、宏观/外汇、TVM 等领域。所有计算器零依赖、结果可缓存与验证，每 IP 每天免费 1,000 次调用，无需注册或 API 密钥。另提供 QuantOracle Live（实时市场数据 + 计算）和 QuantOracle Watch（24/7 仓位监控，Webhook 告警）等付费层级，通过 x402 协议按次支付（Base 或 Solana 上的 USDC）。

quanttogo-mcp

中文介绍正在整理，稍后补充。

quantumproxies-mcp

QuantumProxies MCP 是一个面向 AI 智能体的代理 MCP 服务器，可将 QuantumProxies 的住宅代理接入 Claude、Cursor 及任意 MCP 客户端。它让 AI 代理获得实时网页访问能力：抓取页面转 Markdown、SERP 搜索、站点地图与爬取；同时可生成住宅、移动、数据中心、ISP 和 IPv6 代理端点，支持国家/城市/ASN 定位、轮换或粘性会话、HTTP 或 SOCKS5。服务器调用公开的 QuantumProxies Scraper API，使用你自己的 qp_live_ 密钥，本地运行，无需安装，npx 按需获取（需 Node.js 18+）。也可作为托管 Streamable HTTP 远程端点，支持 OAuth 2.1 连接。

Quartermaster

中文介绍正在整理，稍后补充。

queue-inspector-mcp

中文介绍正在整理，稍后补充。

QuickPod

QuickPod 是一个 GPU 租赁平台，主打低价与快速开通，官方称可节省最高 80% 的 GPU 使用成本，并提供 Jupyter 环境以支持 TensorFlow、PyTorch 等 AI 框架。用户可通过其网站租用 GPU 算力，用于模型训练、实验和 AI 开发等需要显卡计算资源的任务。

quran-mcp-server

中文介绍正在整理，稍后补充。

qurl-mcp

中文介绍正在整理，稍后补充。

Qwen2

Qwen 系列是由阿里云 Qwen 团队研发的大型语言模型。资料显示，Qwen3 是其最新一代，包含 Dense 与 MoE 多种规模，如 0.6B、1.7B、4B、8B、14B、32B 和 30B-A3B、235B-A22B，并公开模型权重。Qwen3 支持思考模式与非思考模式切换，官方称在推理、指令遵循、多语言、智能体能力等方面有增强，支持 100 多种语言与方言。后续更新推出 Qwen3-2507 版本，分为 Instruct 与 Thinking 两种变体，并提及 256K 长上下文及可扩展至 100 万 token。该模型可通过 Transformers、llama.cpp、Ollama、LM Studio、SGLang、vLLM、TensorRT-LLM 等框架进行本地运行或部署，也可结合 Qwen-Agent 及训练框架使用。开源权重采用 Apache 2.0 许可。

Qwen2-VL

Qwen2-VL 是阿里云 Qwen 团队开发的多模态大语言模型系列。该仓库页面主要介绍了其后续版本 Qwen3-VL 的多项能力：在文本理解与生成、视觉感知与推理、上下文长度、空间与视频动态理解以及智能体交互方面进行了全面升级。Qwen3-VL 提供 Dense 与 MoE 两种架构，覆盖从边缘到云端的部署需求，并有 Instruct 与推理增强的 Thinking 版本。支持视觉智能体操作 PC/移动端 GUI、图像/视频生成 Draw.io/HTML/CSS/JS 代码、高级空间感知（2D/3D 定位）、原生 256K 上下文（可扩展至 1M）与长视频理解、增强的多模态推理与 OCR（支持 32 种语言）等能力。该页面提供了使用 Transformers、vLLM、SGLang 等框架的代码示例、视频解码后端说明、微调与部署指引，以及评测复现设置。Qwen2-VL 系列早期版本（2B、7B、72B）于 2024 年发布，后续陆续推出 Qwen2.5-VL 及 Qwen3-VL 多个尺寸模型。

Qwen2.5

Qwen2.5 是通义千问团队推出的大语言与多模态模型系列，包含基础模型与指令微调模型，参数规模覆盖 0.5 至 720 亿，既有稠密模型也有混合专家（MoE）模型。该系列在语言理解、生成、多语言、编程、数学与推理等多项基准上表现优异，超过此前的开放权重模型（包括前代 Qwen1.5），并与专有模型具备竞争力。Qwen2.5 具备较强多语言能力，可覆盖约 30 种语言。其模型套件还涵盖数学推理、音频理解、语音分析、视觉理解与视频理解等多模态方向，并支持微调。

Qwen2.5-VL

Qwen2.5-VL 是阿里云通义千问团队开发的多模态视觉语言模型系列（其仓库现已更新至 Qwen3-VL）。该系列模型可处理文本、图像和视频输入，支持文档解析、视觉推理、视频理解、OCR、空间定位等任务，并提供多种参数规模（如 3B、7B、32B、72B），包含 Dense 与 MoE 架构，适用于从边缘设备到云端的部署。仓库提供模型权重、论文、代码示例，并可通过 Transformers、vLLM 等框架调用。

R1-Multimodal-Journey

R1-Multimodal-Journey（又称 MM-Eureka V0）是一个探索多模态大模型强化学习（RL）的开源项目，旨在将类似 DeepSeek-R1 的 R1 式强化学习应用于视觉语言模型（VLM），验证其在几何等更具挑战性问题上的有效性。项目基于 Open-R1-Multimodal 构建，集成了 vLLM、Open-R1 与 trl 等开源成果，并采用 DeepSeek-R1 与 Qwen2.5-VL 的技术与基座模型。其核心改进包括：支持 vLLM 加速训练，在 8 张 H100 上较 OpenR1-MM 快 5-6 倍；修复 Open-R1-Multimodal 中的部分 bug（如 get_per_token_logps 函数）；将 transformers 升级至 4.49.0.dev0 以支持 Qwen2.5_VL。实验使用 geo170k 的 2 万条样本，发现即便 3B 小模型在 instruct 设置下，训练最初 10 步内即可出现“aha moment”。项目还发现 VLM 难以像 LLM 那样呈现长度增长曲线，但性能仍有提升；相比 SFT，R1 式 RL 仅基于答案正确性奖励，却表现出更高的数据效率。项目最新进展已迁移至 MM-Eureka，更多能力、模型与数据亦在该仓库开源。

R1-Nature

R1-Nature 是一个在 GitHub 上开源的项目，目标是在小模型上以最简易方式复现类 DeepSeek R1 的结果，并通过比较性实验阐述类 O1 与 R1 最重要的本质——think 思维内部推理过程。项目在小模型（0.5B、1B、1.5B、3B）上，比较不同思维推理 CoT 数据集的微调效果差异，发布相关数据集、微调模型、LoRA 权重与 GGUF 模型，并讨论思维链推理爆炸现象及其可能解决方案。项目认为 think 思考过程性内容是 AGI/ASI 的核心，但仍存在大量未澄清的细节，需要研究者重视，而非简单蒸馏加 RL。内容涉及训练所需软硬件环境、数据集来源与标签格式差异、微调与测试脚本，以及关于推理爆炸成因与策略的观察，适合对 R1 复现、CoT 与小模型推理能力感兴趣的研究者参考。

R1-Onevision

R1-Onevision 是一个多模态推理大模型，旨在解决复杂的视觉推理任务。它由浙江大学团队开发，能够无缝整合视觉与文本数据，在数学、科学、深度图像理解和逻辑推理等领域表现突出。该项目通过跨模态推理流程将图像转换为形式化文本表示，从而实现基于语言的精确推理。模型基于 Qwen2.5-VL 微调，并发布了配套数据集、基准测试、SFT 权重、RL 权重和演示。

R1-V

R1-V 是一个面向视觉语言模型（VLM）的强化学习训练框架，旨在以极低成本（不到3美元）提升模型的超泛化能力。它提供了训练数据集、训练代码、评估脚本，并支持多种模型和任务，如物品计数、几何推理等。项目由社区维护，持续更新，并提供博客和论文分享发现。

rag-architect

中文介绍正在整理，稍后补充。

ragmap

中文介绍正在整理，稍后补充。