标签：多模态AI

TARS是一个多模态AI代理栈，包含Agent TARS和UI-TARS-desktop两个项目，提供终端、计算机和浏览器的GUI代理和视觉功能，适用于自动化任务和智能控制。

Pixeltable MCP Server (Developer Edition) 是一个多模态AI数据基础设施服务，提供目录管理、AI/ML管道、依赖管理、项目脚手架和交互式REPL等功能，适用于开发者进行AI和机器学习项目开发。

Gemini MCP Server是一个基于Google Gemini AI服务的模型上下文协议服务器，提供包括图像生成、图像编辑和视频创建在内的先进多模态生成能力。

UI Vision MCP Server是一个支持多模型视觉分析的工具，允许用户通过外部视觉AI模型（如GLM、Gemini、GPT-4o等）进行图像分析。

MCP Vision Bridge是一个模型上下文协议服务器，使非视觉LLM能够通过OpenRouter利用视觉模型的能力。

一款基于Next.js和React构建的高级AI聊天机器人，支持多模态对话、内容生成、网络搜索和可扩展工具集成，适用于开发者和内容创作者。

一款基于Jac语言和MCP协议的多模态AI聊天机器人，支持文档、图像和视频的交互与智能搜索。

一个集成MCP（模型上下文协议）工具的多模态AI聊天客户端，支持文本和图像交互，提供丰富的配置选项和多种图像输入方式。

Osoba是一个集成了本地和托管LLM、智能网络搜索、内容提取、SQL查询、YouTube转录分析、HubSpot操作、Python数据分析、Canva设计创建、Figma设计检查、Poe多模态AI（文本、图像、视频、音频生成）以及Codex MCP服务器（用于安全代码脚手架）的多功能AI平台。

Atlas Cloud MCP Server 提供300+图像、视频、语言模型的统一API调用，支持跨平台集成开发工具链，适用于内容生成、媒体编辑及AI助手开发场景。

一个基于OpenAI ChatKit的多模态AI代理，提供文本聊天、语音助手和图像分析功能，帮助用户为宠物选择合适食品。

一个基于多模态AI的VTuber控制系统，支持语音、视觉、听觉输入，与Unreal Engine集成，适用于虚拟主播和交互式AI场景。

构建一个能够与文档、图像和视频交互的多模态AI聊天机器人，支持文件上传、上下文感知回答、网络搜索及AI视觉理解。

Kubrick AI是一个开源的多模态AI代理，能够处理图像、文本、音频和视频，适用于视频搜索、语义理解和实时交互等场景。