facebookresearch

此仓库提供运行 SegmentAnything Model（SAM）推理的代码、模型检查点下载链接以及示例笔记本

用于高效相似度搜索与稠密向量聚类的库

Detectron2 是一个用于目标检测、分割和其他视觉识别任务的平台。

Audiocraft 是一个使用深度学习的音频处理与生成库。它具备最先进的 EnCodec 音频压缩/分词器，并提供 MusicGen，一个简单且可控的音乐生成语言模型，支持文字与旋律条件。

此仓库提供使用 Meta Segment Anything Model 2 (SAM 2) 进行推理的代码、模型检查点下载链接，以及展示如何使用模型的示例笔记本。

[CVPR 2025 最佳论文奖] VGGT：视觉几何基础的 Transformer

PyTorch 代码与模型，用于 DINOv2 自监督学习方法

最先进语音与文字翻译的基础模型。

此仓库提供运行推理和微调 Meta Segment Anything Model 3 (SAM 3) 的代码、下载已训练模型检查点的链接，以及展示如何使用模型的示例笔记本。

DINOv3 的 PyTorch 参考实现与模型

可黑客化且优化的 Transformers 构建模块，支持可组合式构建

Nougat 神经光学理解在学术文档中的实现

PyTorch3D 是 FAIR 的 3D 数据深度学习可复用组件库。

ImageBind：一个将所有事物绑定于同一嵌入空间的模型

PySlowFast：FAIR 提供的视频理解代码库，用于复现最先进的视频模型。

SAM 3D 对象

Kats 是一套用于分析时间序列数据的工具包，轻量、易用、可扩充的框架，能从理解关键统计与特征、检测变化点与异常，到预测未来趋势。

Facebook AI Research (FAIR) 的视觉与语言多模态研究模块化框架。

高分辨率人类任务模型

MoCo 的 PyTorch 实现：https://arxiv.org/abs/1911.05722

音频、图像、文字与视频的数据增强库

CoTracker 是一个用于追踪影片中任何点（像素）的模型

Meta Lingua：一个精简、高效、易于扩充的代码库，用于研究 LLMs。

PyTorch 库，用于实现流匹配算法，包含连续与离散流匹配实现，并提供文字与图像示例

PyTorch 代码与模型，用于 VJEPA2 从视频中进行自监督学习

[CVPR 2026 Oral] VGGT Omega

用于执行无梯度优化的 Python 工具箱

PyTorch 代码和模型，用于从视频中进行 V-JEPA 自监督学习

深度学习推荐模型（DLRM）的一种实现

先进深度学习音频编码器，支持单声道 24 kHz 与立体声 48 kHz 音讯

一个灵活且高效的 3D 模拟器，用于实体化 AI 研究

一个用于推理系统（强化学习、情境赛局等）的平台

MapAnything：通用前向度量 3D 重建

此仓库提供使用 Meta Segment Anything Audio Model（SAM‑Audio）进行推理的代码、下载训练模型检查点的链接，以及展示如何使用模型的示例笔记本

面向视频理解研究的深度学习库

本仓库提供使用 SAM 3D Body Model (3DB) 进行推理的代码，包含下载已训练模型检查点与数据集的链接，以及示范如何使用模型的示例笔记本

此倉庫包含用於訓練和評估 TRIBE v2 的代碼，這是一個用於大腦反應預測的多模態模型。

一个模块化的高级函数库，用于在多种任务与环境中训练具身 AI 代理。

由 Meta 应用强化学习团队推出的可投入产业的强化学习 AI 代理库

Omnilingual ASR：支持 1600 多种语言的开源多语言语音识别

可针对任何可计算任务进行优化的自我指涉、自我改进型 Agent

大概念模型：在句子表示空间中的语言建模

尖端的 Image & Video CLIP、多模态大型语言模型等！

PyTorch 中的无调度优化 (Schedule-Free Optimization)

FAIR 计算机视觉团队各研究项目共用的常用代码集合。

FAIR Chemistry 的化学机器学习方法库

使用神经网络进行 AI 驱动角色动画的 Python 框架。

BLT 研究论文的代码

一个用于可微分非线性优化的库

"Detecting Twenty-thousand Classes using Image-level Supervision" 的代码发布。

NeurIPS 2025 Spotlight；ICLR 2024 Spotlight；CVPR 2024；EMNLP 2024

TorchMultimodal 是一个 PyTorch 库，用于大规模训练先进的多模态多任务模型。

训练大型语言模型在连续潜在空间中进行推理

MobileLLM：优化十亿参数以下的语言模型以用于设备端场景。发表于 ICML 2024。

VGGSfM：基于视觉几何基础的深度运动学重建

3D 数据集中的罕见物件

如 https://arxiv.org/abs/1906.05797 所发布的 Replica Dataset v1。

专为机器人研究人员设计的移动操作研究工具

Common Objects In 3D 数据集的工具。

使用 Bun + Flashlight 在 JavaScript 与 TypeScript 中实现的快速可微分张量库

Mesh R-CNN 的代码，ICCV 2019

FAIR 序列建模工具包 2

Hiera：一个快速、强大且简单的分层 Vision Transformer

“Cut and Learn for Unsupervised Object Detection and Instance Segmentation”与“VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation”的代码发布

[CVPR 2025] “EdgeTAM: On-Device Track Anything Model”的官方 PyTorch 实现。

论文“Spirit-LM Interleaved Spoken and Written Language Model”的推理代码。

用于构建具身智能代理的模块化具身代理架构与平台

使用 10 亿张人类图像预训练的 1K 分辨率 Vision Transformer

移动端视觉模型与代码

使用卷积编码器、Transformer 和字符级语言模型，从 MEG 与 EEG 大脑记录中进行打字句子的非侵入式解码。

语言模型能从头重建程序吗？

SONAR 是一个全新的多语言、多模态固定大小句子嵌入空间，配备全套的语音和文字编码器与解码器。

代码世界模型 (CWM) 的研究代码产物，包含推理工具、可复现性与文档。

ShapeR 研究论文的代码

projectaria_tools 是一个 C++/Python 开源工具包，用于交互 Project Aria 数据。

Momentum Human Rig 是 Meta 开发的具备解剖学灵感的参数化全身数字人模型。它包含：参数化身体骨骼模型；绑定至骨骼且具备不同细节层次的逼真 3D 网格；身体变形与姿势修正模型；面部变形模型。其设计对 CG 与 CV 社区皆十分友好。

MADGRAD 优化方法

Ocean 是 Meta 用于计算机视觉 (CV) 与增强现实 (AR) 应用程序的内部框架。它是平台无关的，主要以 C/C++ 实现。

[CVPR'25 Highlight] Sonata 官方仓库：可靠点表示法的自我监督学习

第一个行为基础模型，用于控制虚拟基于物理的人形代理，以执行各种全身任务。

Facebook AI Research 代码生成项目的参考实现。将机器学习应用于代码的通用工具包，从数据集创建到模型训练与评估。附带预训练模型。

针对 AI 生成语音音频的本地化水印，具备 SOTA 级别的鲁棒性与极快的检测速度

balance python 软件包提供简单的工作流程与方法，用于处理带有偏差的数据样本，以便从中推论出某些感兴趣的目标总体。

一个开源库，旨在提供 Joint Embedding Predictive Architectures (JEPAs) 的社区示例。包含用于从图像、视频及动作条件视频学习表征，以及使用基于 JEPA 模型进行规划的代码与示例。

开放且高效的视频与图片水印工具

针对语音、音乐和声音的统一自动化质量评估。

Tuna-2 的官方实现：Pixel Embeddings Beat Vision Encoders for Unified Understanding and Generation

[NeurIPS'25]“SWE-RL: Advancing LLM Reasoning via Reinforcement Learning on Open Software Evolution”官方代码库

高效通用感知编码器：单一设备端视觉编码器，具有多功能表示，在多个任务领域中符合或超越专门专家。

SiLK（Simple Learned Keypoint）是一种自我监督的深度学习关键点模型。

CVPR 2025 论文“导航世界模型”的官方代码。

BenchMARL 是一个用于多智能体强化学习 (MARL) 基准测试的库。BenchMARL 能够快速比较不同的 MARL 算法、任务与模型，同时坚守其两大核心原则：可重现性与标准化。

Pippo：从单一影像产生高解析度多视角人像

Ego4d 数据集仓库。下载数据集、可视化、提取特征与数据集示例用法

MLGym：用于推进 AI 研究代理的新框架与基准测试

Boxer 研究论文的代码

Meta Reality Labs 的 MV-DUSt3R+ 开源实现：在 2 秒内从稀疏视角进行单阶段场景重建。项目页面 https://mv-dust3rp.github.io/

用于优化算法的研究与开发。

论文「OrienterNet Visual Localization in 2D Public Maps with Neural Matching」源代码

支持论文“Atlas Few-shot Learning with Retrieval Augmented Language Models”(https//arxiv.org/abs/2208.03299) 的代码库。

用于分析 PyTorch 追踪记录的库。

Meta Agents Research Environments 是一个综合平台，旨在评估动态、真实场景中的 AI 代理。与静态基准测试不同，此平台引入了不断演进的环境，代理必须随着新信息的出现调整策略，以反映现实世界的挑战。

一个通用的物理基础重定向框架。

适用于 SGD、Adam 与 AdaGrad 的 D-Adaptation

Dr. Zero：无需训练数据的自我演化搜索代理

论文「The Stable Signature Rooting Watermarks in Latent Diffusion Models」的官方实现。

开源流式高保真神经音频编解码器

CVPR 2026 论文 MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer 的仓库，作者为 Weiyu Li, Antoine Toisoul, Tom Monnier, Roman Shapovalov, Rakesh Ranjan, Ping Tan 与 Andrea Vedaldi。

用于具身智能 (EAI) 视觉基础模型最大且最全面的实证研究仓库。