Топ GitHub-репозиториев по ИИ за 6 октября 2026

Тренд дня: свежие проекты за 72 часа

Новые репозитории по ИИ и нейросетям, которые быстро набирают звёзды прямо сейчас.

⭐ 511 ⑂ 47 🟦 Python

Набор из одиннадцати бесплатных Claude-скиллов, которые позволяют клонировать любое приложение: один скилл реверс-инжинирит нужное приложение, другой пересобирает его, третий ищет баги, а «Предприниматель» читает жалобы пользователей оригинала и исправляет их в вашей копии. Всё это по принципу clean-room — воспроизводится функциональность и потоки, но не код, логотипы или контент.

💡 Пример

Установка одной командой в Claude: `https://github.com/Jakeschincariol/replica-skill` → `install skill`. Либо как плагин Claude Code: `/plugin marketplace add Jakeschincariol/replica-skill`. После этого команда `/replica-recon` реверс-инжинирит интерфейс приложения, а `/replica-architect` планирует стек и схему базы данных для вашей копии.

🎯 Снижает порог входа для инди-разработчиков, которые хотят быстро создать и продать свой клон популярного приложения, оставаясь в правовых рамках благодаря clean-room подходу.

agentagent-skillsapp-cloneclaudeclaude-code

2 Zhou-Yujing114514/deepseek-harness-linux

⭐ 116 ⑂ 13 🟦 TypeScript

Неофициальный форк, который даёт официальному десктопному агенту DeepSeek Harness полноценную поддержку Linux в форматах AppImage, .deb и .tar.gz для архитектур x64 и arm64. Официальный клиент выходил только под macOS и Windows, а этот проект закрывает пробел, сохраняя все возможности оригинала и добавляя нативный CI и автообновление AppImage.

💡 Пример

Установка через .deb: `sudo dpkg -i deepseek-harness-*-linux-x64.deb && deepseek-harness`. Либо скачать AppImage, дать права на исполнение `chmod +x *.AppImage` и запустить — приложение само обновляется.

🎯 Расширяет доступность DeepSeek Harness на Linux-пользователей и ARM-устройства (Raspberry Pi 5, ARM-серверы), где официальной поддержки не было.

agentai-agentappimagearm64deb

3 TannerMidd/pi-pocket

⭐ 108 ⑂ 5 🟦 TypeScript

Мобильное веб-приложение «ваш Pi-агент в кармане»: durable, мультиплеерное, mobile-first управление кодинг-агентами Pi, построенное на Pi Durable. Работает на вашей собственной машине или прямо на телефоне, без облачных VM, с QR-кодом для входа и уведомлениями об аппрувах.

💡 Пример

Запуск: `git clone` репозитория, `npm install`, `npm start`. Лаунчер спрашивает, как устройства должны соединяться, и печатает адрес, ссылку для входа и QR-код. Открыв ссылку в браузере, вы управляете агентами, а аппрувы git push приходят как уведомления на телефон.

🎯 Даёт контроль над локальными AI-агентами в дороге, избавляя от необходимости держать ноутбук или арендовать облачную машину.

ai-agentcoding-agentmobilemultiplayeromarchy

4 chenxiachan/paperfold

⭐ 54 ⑂ 4 🟦 JavaScript

PaperFold — локальный инструмент для чтения научных статей с «семантическим зумом»: можно сворачивать статью до карты её разделов и разворачивать нужную часть. Пять уровней детализации — от полного текста до одной строки-вывода, при этом предложение, которое вы читали, никогда не уходит с экрана.

💡 Пример

Открыть галерею статей на https://chenxiachan.github.io/paperfold-gallery/ без установки, либо запустить локально. Уровень 1 показывает абзац как написан авторами, уровень 3 — его суть и причину (формулирует ИИ), а уровень 5 превращает статью в карту из карточек-разделов.

🎯 Снимает когнитивную нагрузку при чтении плотных научных текстов, удерживая всю аргументацию в памяти за читателя.

arxivllmlocal-firstopen-sourcepaper-reader

5 omarqaterge/hermes-mobile-app

⭐ 46 ⑂ 6 🟦 TypeScript

Неофициальное Android-приложение для Hermes Agent, работающее целиком на телефоне через Termux. Даёт агенту нормальный мобильный интерфейс: стриминговый чат, живые карточки инструментов, аппрувы, на которые можно отвечать из шторки уведомлений, и канвас для совместной работы.

💡 Пример

Запускается Hermes в Termux на том же телефоне, приложение подключается и показывает статус-чип (Live Update на Android 16). Вопросы и аппрувы отображаются на чипе — один тап, выбор ответа, готово, даже если приложение закрыто.

🎯 Превращает консольного агента в полноценного мобильного помощника без сервера и ноутбука — весь стек автономен на телефоне.

ai-agentandroidhermes-agentllmtermux

6 SysikNagibator/AiPC

⭐ 27 ⑂ 1 🟦 Python

AiPC — локальный сервис и консольная утилита, которая через открытый стандарт MCP даёт любому AI-агенту полный доступ к вашему компьютеру: экран, мышь, клавиатура, браузер, файлы, терминал и SSH. 63 инструмента для модели, работает на Windows 10/11.

💡 Пример

Агент в любой IDE подключается по MCP/stdio к локальному сервису AiPC-Core. Через меню `aipc` модель получает доступ к экрану и вводу, может открывать файлы и выполнять команды — всё через нативные инструменты модели.

🎯 Автоматизация личных задач на собственной машине без облачных посредников, с полным контролем и прозрачностью через открытый стандарт MCP.

aiai-agentai-agentsai-codingai-tools

Вечная классика: проверенные инструменты

Фундаментальные проекты, на которых строится вся современная работа с нейросетями.

1 meta-llama/llama-models

⭐ 7.7k ⑂ 1.4k 🟦 Python

Официальный репозиторий утилит и моделей Llama от Meta — открытые большие языковые модели для разработчиков, исследователей и бизнеса. Скачаны сотни миллионов раз, на их базе построены тысячи community-проектов, от облачных провайдеров до стартапов.

💡 Пример

Модели доступны на Hugging Face (huggingface.co/meta-Llama) и через пакет `llama-models` на PyPI. Веса лицензированы для исследователей и коммерческого использования, а Llama Cookbook содержит готовые примеры дообучения и инференса.

🎯 Базовый фундамент открытого ИИ: огромная экосистема и доступность передовых моделей делают Llama точкой старта для большинства open-source LLM-проектов.

2 pytorch/pytorch

⭐ 103.8k ⑂ 31.5k 🟦 Python

PyTorch — Python-библиотека для тензорных вычислений с сильным GPU-ускорением и динамических нейросетей на основе tape-based autograd. Де-факто стандарт для исследований и продакшена в глубоком обучении, совместимый с NumPy, SciPy и Cython.

💡 Пример

`pip install torch` — и вы получаете тензоры как в NumPy, но с GPU, плюс автоматическое дифференцирование: `loss.backward()` сам считает градиенты по графу вычислений. Модель описывается императивно, без отдельного графа.

🎯 Один из двух главных фреймворков машинного обучения, на котором держится подавляющая часть современных исследований и обучение нейросетей.

autograddeep-learninggpumachine-learningneural-network

3 tensorflow/tensorflow

⭐ 200.7k ⑂ 78.4k 🟦 C++

TensorFlow — сквозная открытая платформа машинного обучения от Google с обширной экосистемой инструментов, библиотек и community-ресурсов. Позволяет исследователям двигать state-of-the-art, а разработчикам легко строить и разворачивать ML-приложения, включая мобильные и веб-деплои.

💡 Пример

Классический пример — определение рукописных цифр MNIST через `tf.keras` несколькими строками кода: строим Sequential-модель, компилируем и обучаем за один вызов `model.fit()`. Для продакшена модель конвертируется в TFLite.

🎯 Наряду с PyTorch — столп индустрии ML, особенно сильный в продакшен-деплое и на мобильных/edge-устройствах.

deep-learningdeep-neural-networksdistributedmachine-learningml

4 ggml-org/llama.cpp

⭐ 130.4k ⑂ 24.1k 🟦 C++

llama.cpp — движок инференса больших языковых моделей на чистом C/C++ без внешних зависимостей. Запускает квантизованные модели (GGUF) практически на любом железе — от серверов до ноутбуков и телефонов, с поддержкой CPU и GPU.

💡 Пример

Скачать GGUF-модель, собрать `llama.cpp` через `cmake` и запустить сервер: `./llama-server -m model.gguf` — получаете OpenAI-совместимый HTTP API для локального инференса. Плюс CLI `llama-cli` для чата в терминале.

🎯 Стандарт локального запуска LLM без GPU-кластера: минимальные требования, максимальная портируемость и огромное community вокруг GGUF-формата.

ggml

5 vllm-project/vllm

⭐ 93.2k ⑂ 23.0k 🟦 Python

vLLM — высокопроизводительный и экономный по памяти движок инференса и сервинга LLM от UC Berkeley. Благодаря PagedAttention, непрерывному батчингу и prefix caching обеспечивает state-of-the-art пропускную способность, поддерживая десятки видов квантизации.

💡 Пример

Запуск OpenAI-совместимого сервера одной командой: `vllm serve Qwen/Qwen3-8B`. Клиенты общаются через стандартный `openai`-клиент. Поддерживаются FP8, MXFP4, INT4, GPTQ/AWQ, GGUF и другие форматы для ускорения на CUDA и HIP.

🎯 Фактический стандарт продакшен-сервинга LLM: максимальная утилизация GPU при минимальных задержках, используется тысячами компаний.

amdblackwellcudadeepseekdeepseek-v3

6 huggingface/transformers

⭐ 167.0k ⑂ 34.8k 🟦 Python

Transformers — фреймворк определения моделей от Hugging Face для state-of-the-art моделей в тексте, зрении, аудио и мультимодальных задачах, как для инференса, так и для обучения. Единый API поверх десятков тысяч предобученных моделей на Hub.

💡 Пример

Три строки кода: `from transformers import pipeline; classifier = pipeline('sentiment-analysis'); classifier('I love this!')`. Для генерации текста — `AutoModelForCausalLM` и `AutoTokenizer`, а модель подгружается с Hub по имени.

🎯 Самый популярный способ использовать и дообучать предобученные модели — единая точка входа во всю экосистему Hugging Face с огромным сообществом.

audiodeep-learningdeepseekgemmaglm