关注我，记得标星⭐️不迷路哦～
✨ 1: notion-mcp-server
notion-mcp-server是Notion API的MCP服务器实现，支持通过指令或内容ID与Notion交互。
notion-mcp-server 是一个项目，它为 Notion API 实现了 MCP (Model Context Protocol) 服务器。这使得 AI 应用（如 Cursor 编辑器或 Claude）可以通过标准化的 MCP 协议与 Notion API 交互，从而可以理解并执行用户对 Notion 数据库和页面的指令。简单来说，它是一个连接 AI 应用和 Notion API 的桥梁。
notion-mcp-server 的主要使用场景是将 Notion 集成到 AI 驱动的工具中，允许用户通过自然语言指令控制和操作 Notion 数据。例如：
- 自动化 Notion 任务：
用户可以通过指令让 AI 在 Notion 页面上添加评论、创建新页面、检索页面内容等。 - 增强 AI 的上下文感知能力：
通过 Notion 作为知识库，AI 可以更好地理解用户指令的上下文，并生成更准确、更有用的响应。 - 集成到代码编辑器/IDE：
允许开发者在编码环境中直接通过指令与 Notion 交互，例如：快速将代码片段添加到 Notion 文档，或从 Notion 文档中提取代码片段。 - 与AI助手结合：
让 AI 助手可以理解并执行用户在 Notion 中提出的需求，比如根据Notion数据库的内容生成报告。
地址：https://github.com/makenotion/notion-mcp-server
✨ 2: rLLM
rLLM是一个开源项目，旨在普及LLM的强化学习，并复现DeepSeek和OpenAI的模型性能。
rLLM 是一个旨在完全民主化大型语言模型 (LLM) 强化学习 (RL) 的开源项目。其目标是重现 DeepSeek R1 以及 OpenAI 的 O1/O3 等模型的性能，并将其扩展到实际任务中。rLLM 项目将所有努力都开源，包括：
-
训练脚本（包含超参数） -
模型 -
系统 -
数据集 -
日志
rLLM 致力于提供可复现的、可扩展的 LLM 强化学习解决方案，降低 RL 技术应用于 LLM 的门槛。
地址：https://github.com/agentica-project/rllm
✨ 3: AI Scientist-v2
AI Scientist-v2是Sakana AI开发的端到端自主科研系统，通过智能体树搜索实现全自动科学发现与论文撰写。
AI Scientist-v2 是一个全自动的科学研究系统，旨在推动科学发现的自动化。它是一个端到端的 Agentic 系统，可以自主生成假设、运行实验、分析数据和撰写科学论文。 与前代版本相比，AI Scientist-v2 主要改进在于不再依赖人工撰写的模板，可以泛化到多个机器学习领域，并采用由实验管理器 Agent 指导的渐进式 Agentic 树搜索。
主要特点：
- 全自动流程:
从假设生成到论文撰写完全自动化。 - 领域泛化:
不局限于特定领域，可应用于多个机器学习领域。 - Agentic 树搜索:
使用实验管理器 Agent 指导树搜索，探索更广阔的解决方案空间。 - 无需人工模板:
不依赖预先定义好的模板，能够更自由地探索和生成内容。 - 已生成并通过同行评审的论文:
AI Scientist-v2 已经成功生成并通过同行评审的学术论文。
地址：https://github.com/SakanaAI/AI-Scientist-v2
✨ 4: PDF Document Layout Analysis
PDF文档布局分析是一个基于Docker的服务，用于PDF文档的OCR、分段、分类和元素排序分析。
PDF Document Layout Analysis 是一个基于 Docker 的服务，用于分析 PDF 文档的布局并进行 OCR（光学字符识别）。
核心功能：
- 布局分析：
将 PDF 页面分割成不同的元素，例如文本、标题、图片和表格。 - 元素分类：
对识别出的元素进行分类，例如文本、标题、图片、表格等。 - 阅读顺序确定：
确定这些元素的正确阅读顺序。 - OCR：
可以将 PDF 文件转换为可搜索的文本，支持多种语言。默认使用VGT模型，也可以选择更快的LightGBM模型。 -
**表格和公式提取：**可以将表格提取成 markdown, latex 或 html 格式，将公式提取成 latex 格式。
地址：https://github.com/huridocs/pdf-document-layout-analysis
✨ 5: 3DGRT
3DGRT利用光线追踪体素高斯粒子，支持复杂相机效果和二次光线，虽需专用硬件，但其混合方法3DGRUT性能更优。
3DGRT (3D Gaussian Ray Tracing) 是一种新的渲染技术，它使用射线追踪来渲染3D高斯粒子，而不是像传统方法那样使用 splatting。这使得它能够支持具有复杂、时变效果的畸变相机，例如卷帘快门，并且可以高效地模拟反射、折射和阴影等二次光线效果。然而，3DGRT 需要专用的射线追踪硬件，并且速度仍然比 3DGS 慢。
为了解决这个限制，研究者还提出了 3DGUT (3D Gaussian Unscented Transform)，它可以在光栅化框架内支持具有复杂、时变效果的畸变相机，从而保持光栅化方法的效率。通过对齐 3DGRT 和 3DGUT 的渲染公式，研究者们引入了一种混合方法，称为 3DGRUT。这种技术允许通过光栅化渲染主光线，通过射线追踪渲染二次光线，从而结合了两种方法的优点，以提高性能和灵活性。
地址：https://github.com/nv-tlabs/3dgrut
（文：每日AI新工具）