量子计算开源是当前量子科技领域的核心趋势之一，旨在通过开放源代码、共享技术成果，降低量子计算的研发门槛，加速生态构建。2025年以来，量子计算开源在基础框架、专业工具、操作系统、教育普及等方向取得显著进展，形成了覆盖“硬件-软件-应用”的完整生态。以下从核心项目分类、技术特点、应用场景等维度，对当前主流的量子计算开源项目进行详细梳理：

一、基础框架：量子编程的核心工具

基础框架是量子计算的“操作系统”，提供量子电路设计、模拟、编译和运行等功能，支持开发者快速构建量子算法。当前主流的基础框架均采用开源模式，兼容多种硬件平台，适合从教育到研究的全场景应用。

1. Qiskit（IBM）：最成熟的量子编程生态

   • 项目定位：IBM开发的全栈量子编程框架，支持量子电路设计、模拟、优化和真实量子硬件运行，是量子计算领域的“事实标准”。

   • 技术特点：

   ◦ 模块化设计：分为Terra（基础架构）、Aer（高性能模拟器）、Ignis（噪声缓解）、Aqua（算法库）四大组件，覆盖量子编程全流程；

   ◦ 混合编程支持：支持量子-经典混合算法（如VQE、QAOA），通过QiskitRuntime实现云端量子计算；

   ◦ 丰富的生态：整合了量子机器学习（qiskit-machine-learning）、量子化学（qiskit-nature）等专业模块，支持与经典Python库（如NumPy、Pandas）无缝集成。

   • 应用场景：教育（如量子算法入门）、研究（如量子化学模拟）、工业（如优化问题求解）。

   • 开源地址：https://github.com/Qiskit/qiskit。

2. Cirq（Google）：NISQ设备的专用框架

   • 项目定位：Google开发的针对NISQ（噪声中等规模量子）设备的开源框架，专注于近期量子计算（50-100量子比特）的应用。

   • 技术特点：

   ◦ 精确控制：提供对量子电路的精确门控制（如X^0.5平方根NOT门）和数据结构优化（如GridQubit网格量子比特），充分利用NISQ架构；

   ◦ 硬件适配：支持Google自家Bristlecone芯片及第三方量子硬件（如IBM、Rigetti）；

   ◦ 噪声模拟：内置噪声模型（如 depolarizing noise），支持模拟真实量子设备的误差。

   • 应用场景：NISQ设备上的量子算法开发（如量子近似优化算法QAOA）、量子硬件研究。

   • 开源地址：https://github.com/quantumlib/Cirq。

3. PennyLane（Xanadu）：量子机器学习的首选框架

   • 项目定位：Xanadu开发的量子机器学习（QML）开源框架，专注于量子神经网络（QNN）和量子-经典混合机器学习。

   • 技术特点：

   ◦ 灵活的参数调整：支持对量子电路参数（如旋转角度）的精细化调整，适合机器学习中的梯度下降优化；

   ◦ 多硬件支持：兼容超导、离子阱、光量子等多种硬件平台，支持从真实量子设备获取数据；

   ◦ 量子-经典融合：提供PennyLane-Qiskit、PennyLane-Cirq等插件，实现量子电路与经典神经网络的无缝集成。

   • 应用场景：量子机器学习（如图像分类、药物发现）、量子化学模拟（如分子能量计算）。

   • 开源地址：https://github.com/PennyLaneAI/PennyLane。

二、专业工具：解决量子计算的关键问题

除了基础框架，量子计算开源生态还包括量子纠错、量子编译、量子模拟等专业工具，解决量子计算中的核心挑战（如噪声、效率、 scalability）。

1. Deltakit（Riverlane）：量子纠错的开源解决方案

   • 项目定位：Riverlane推出的量子纠错（QEC）开源SDK，旨在帮助开发者学习和应用量子纠错技术，提升量子计算的可靠性。

   • 技术特点：

   ◦ 全流程支持：包含量子纠错电路生成、噪声模型添加、稳定器测量、错误定位与纠错还原等功能；

   ◦ 云服务集成：连接到Riverlane的云服务，提供专有解码器访问和更多错误更正代码支持；

   ◦ 教育资源：配套《Deltakit教科书》，适合初学者入门量子纠错。

   • 应用场景：量子计算中的错误缓解（如NISQ设备的噪声抑制）、容错量子计算研究。

   • 开源地址：https://www.riverlane.com/deltakit。

2. Qrisp（IQM）：高性能量子编译工具

   • 项目定位：IQM推出的开源量子编译工具包，专注于提升量子电路的编译效率和性能。

   • 技术特点：

   ◦ 高效编译：通过优化量子门的调度和映射，减少量子电路的深度和门数量；

   ◦ 硬件适配：支持IQM自家Crystal 54芯片及第三方量子硬件（如IBM、Google）；

   ◦ 高级特性：支持脉冲级编程（如直接控制量子门的脉冲序列），适合高级研究。

   • 应用场景：量子硬件的性能优化（如提升量子比特的 coherence time）、量子算法的高效运行。

   • 开源地址：https://www.iqm.fi/qrisp/。

3. isQ（中科院软件所）：国产量子编程框架

   • 项目定位：中国科学院软件研究所开发的国产量子编程软件，支持经典-量子混合编程，提供高效模拟器和硬件对接。

   • 技术特点：

   ◦ 混合编程：支持经典变量与量子变量的混合使用，适合处理复杂的量子算法；

   ◦ 高效模拟：提供高性能量子电路模拟器，支持模拟20+量子比特的系统；

   ◦ 硬件对接：已实现与真实量子芯片的对接（如中科院的超导量子芯片）。

   • 应用场景：国产量子计算机的应用开发、量子算法的教育与研究。

   • 开源地址：https://gitee.com/arclight_quantum/isq。

三、操作系统：连接硬件与应用的枢纽

量子计算操作系统是连接量子硬件与上层应用的核心枢纽，负责管理量子资源、优化算法执行、屏蔽硬件差异。2025年，中国移动发布了国内首款支持多制式的开源量子计算操作系统，推动产业协同。

1. “五岳纪元”（中国移动）：国内首款多制式开源量子操作系统

   • 项目定位：中国移动开发的国内首款支持多制式量子计算机的开源操作系统，旨在解决量子软件与硬件的“烟囱式”生态问题。

   • 技术特点：

   ◦ 分层架构：通过分层设计解耦上层量子应用与底层物理硬件，提供统一编程接口（如量子指令集），屏蔽超导、离子阱等技术路线的差异；

   ◦ 协同优化：结合编译优化、错误抑制等技术，提升量子计算机的运行效率；

   ◦ 生态共建：通过“软件开源+社区共建”模式，吸引量子硬件厂家、开发者参与，推动产业上下游协同。

   • 应用场景：多技术路线的量子计算机适配（如超导、离子阱）、量子应用的大规模部署。

   • 开源地址：https://gitee.com/chinamobile/wuyuejiyuan。

四、教育与普及：降低量子计算的入门门槛

为了推动量子计算的普及，开源社区推出了多个教育专用工具，通过可视化界面、简化编程模型，降低量子计算的入门难度。

1. Qiskit Quantum Composer（IBM）：可视化量子编程工具

   • 项目定位：IBM推出的可视化量子编程工具，适合初学者通过拖拽方式构建量子电路。

   • 技术特点：

   ◦ 可视化界面：通过拖拽量子门（如Hadamard、CNOT）构建量子电路，无需编写代码；

   ◦ 实时模拟：支持实时模拟量子电路的运行结果（如概率分布）；

   ◦ 集成Qiskit：可将可视化电路导出为Qiskit代码，实现从可视化到代码的无缝过渡。

   • 应用场景：量子计算教育（如高校课程、科普活动）、量子算法的初步探索。

   • 访问地址：https://quantum-computing.ibm.com/composer。

2. HelloGitHub量子计算专题：零基础入门资源

   • 项目定位：HelloGitHub推出的量子计算入门专题，提供免费的教程、代码示例和工具链配置指南。

   • 技术特点：

   ◦ 零基础友好：通过“Hello Quantum World”示例，引导初学者快速搭建量子开发环境（如Qiskit、Cirq）；

   ◦ 实战案例：包含量子隐形传态、Shor算法等经典量子算法的实现示例；

   ◦ 社区支持：提供量子计算开源项目的评估工具（如GitHub星标、issue响应速度），帮助初学者选择合适的工具。

   • 访问地址：https://gitcode.com/GitHub_Trending/he/HelloGitHub。

五、总结与选择建议

量子计算开源生态已形成“基础框架-专业工具-操作系统-教育普及”的完整体系，适合不同需求的开发者：
• 教育与入门：选择Qiskit（可视化工具）、HelloGitHub（零基础教程）；

• 研究与开发：选择Qiskit（全栈生态）、Cirq（NISQ专用）、PennyLane（量子机器学习）；

• 产业应用：选择“五岳纪元”（多制式操作系统）、Qrisp（高性能编译）；

• 量子纠错：选择Deltakit（专业SDK）。

这些项目均为开源免费（部分需自行构建镜像），且拥有活跃的社区支持，适合开发者快速上手与定制。未来，量子计算开源将向更精准的多模态融合、更垂直的场景应用、更开放的生态方向发展，为开发者提供更丰富的工具与资源。

情感AI开源领域近年来发展迅速，涌现出多个覆盖文本、多模态、语音、垂直场景的优质项目，为开发者提供了从基础框架到应用落地的完整工具链。以下从核心项目分类、技术特点、应用场景等维度，对当前主流的情感AI开源项目进行详细梳理：

一、文本情感分析：中文与多语言的基础工具

文本情感分析是情感AI的核心任务之一，主要通过处理文本内容识别情感倾向（积极/消极/中性）。以下是几个值得关注的中文开源项目：

1. cnsenti：中文情感分析专用库

   • 项目定位：针对中文文本的情感分析工具，提供情绪分类、正负情感判断等功能，支持词频统计与情感词计数。

   • 技术特点：基于Python开发，API设计简洁，适合快速集成；支持自定义模型调优，可通过预处理（如去除特殊字符）提升准确性。

   • 应用场景：社交媒体监控、产品评论分析、舆情管理等，例如电商平台可通过该工具分析用户评论，了解产品满意度。

2. 百度Senta：产业级文本情感分析系统

   • 项目定位：百度开源的情感预训练模型系统，支持中英文双语，覆盖句子级、评价对象级、观点抽取三大任务。

   • 技术特点：采用SKEP（情感知识增强预训练）模型，融合情感知识（如情感极性词、程度副词），提升情感理解的准确性；提供一键式预测工具，支持产业级应用（如客户服务、舆情分析）。

   • 性能表现：在14项中英文情感分析任务上超越SOTA（State-of-the-Art），中文句子级准确率达96.5%，英文达97.6%。

二、多模态情感识别：融合视觉与音频的复杂场景处理

多模态情感识别通过融合视觉（面部表情）、音频（语调）等多源数据，更精准地识别情感状态，适用于智能硬件、人机交互等场景。

1. 阿里R1-Omni：全模态情感识别大模型

   • 项目定位：阿里通义实验室开源的全模态情感识别模型，专注于视觉与音频模态的情绪分析，支持泛化能力（如处理分布外数据）。

   • 技术特点：基于HumanOmni-0.5B基础模型，采用可验证奖励强化学习（RLVR）与组相对策略优化（GRPO），将强化学习与多模态情感识别结合，提升推理能力与泛化性；支持复合奖励机制（准确率+格式），可展示关键模态的作用过程。

   • 性能表现：在同分布测试集（DFEW、MAFW）上较基线模型提升超35%，在RAVDESS分布外数据集上UAR（未调整召回率）提升超13%。

2. AffectEval：模块化情感计算框架

   • 项目定位：南加州大学开源的模块化情感计算框架，支持多模态（文本、生理信号、视觉）、多领域（心理健康、教育、老龄化）的情感识别。

   • 技术特点：采用面向对象设计，包含信号采集、预处理、特征提取、分类等组件，用户可自定义组件或调整流程；提供标准数据集格式，减少重复工作；支持跨领域迁移（如从心理健康到教育场景）。

   • 应用场景：心理健康监测（如焦虑、抑郁检测）、教育（如学生情绪跟踪）、老龄化（如阿尔茨海默病辅助诊断）。

三、语音情感分析：实时交互与智能硬件

语音情感分析通过处理语音中的语调、语速、音量等特征，识别说话者的情感状态，适用于智能音箱、客服机器人等实时交互场景。

1. Pipecat：实时语音情感计算框架

   • 项目定位：开源的实时语音与多模态对话AI框架，专注于语音情感监测与智能响应。

   • 技术特点：支持实时分析用户语音中的情感特征（如愤怒、悲伤、喜悦），并调整AI响应方式（如同理心回复）；集成Hume TTS（语音合成）、Cartesia TTS（多情感表达）等服务，提升语音交互的自然度；支持多平台部署（Vercel、Docker、腾讯轻量云）。

   • 应用场景：客户服务（如识别客户不满情绪，及时转接人工）、心理健康陪伴（如监测用户情绪变化，提供安慰）。

2. face-API：浏览器端人脸情绪识别

   • 项目定位：基于TensorFlow.js的开源人脸检测与情绪识别库，无需后端服务器，直接在浏览器中运行。

   • 技术特点：轻量化部署，支持Web、Node.js、React Native环境；提供人脸检测、68点关键点定位、情绪分类（愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性）三大功能；支持自定义模型训练（如针对特定场景优化）。

   • 应用场景：智能硬件（如摄像头监测用户情绪）、教育（如课堂学生情绪跟踪）、直播（如互动主播识别观众情绪）。

四、垂直场景：心理健康与虚拟陪伴

情感AI在心理健康、虚拟陪伴等垂直场景的应用需求增长迅速，以下是针对这些场景的开源项目：

1. 心元泛心理基座大模型：心理健康领域专用

   • 项目定位：心言集团开源的泛心理领域基座大模型，专注于心理健康服务（如情绪疏导、陪伴）。

   • 技术特点：基于Qwen3（阿里开源模型）深度优化，融合亿级多模态情感数据（文本、语音、表情、生理信号），支持情感识别、深度思考分析（如长期焦虑成分分析）；提供育儿教育（如蒙特梭利理论、P.E.T.沟通技巧）等场景解决方案。

   • 应用场景：心理健康陪伴（如焦虑、抑郁患者的情绪支持）、育儿家庭（如个性化养育方案建议）。

2. 虚拟伴侣开源项目：情感交互与个性化

   • 项目定位：GitHub上有多个针对虚拟女友/伴侣的开源项目，如GirlfriendGPT、LobeChat、MyGirlGPT，专注于情感交互与个性化定制。

   • 技术特点：

   ◦ GirlfriendGPT：无审查平台，支持自定义虚拟伴侣（性格、声音、外貌），提供非限制级对话；

   ◦ LobeChat：整合主流AI大模型（如ChatGPT、Gemini），支持多平台部署（Vercel、Docker），适合构建个性化AI助手；

   ◦ MyGirlGPT：完全运行在个人服务器，支持个性化定制（性格、声音），保护用户隐私。

   • 应用场景：个人情感陪伴（如孤独用户的聊天伙伴）、内容创作（如虚拟主播、AI聊天机器人）。

五、总结与选择建议

情感AI开源项目的选择需根据应用场景与技术需求：
• 文本情感分析：若需中文支持，选cnsenti或百度Senta；若需多语言，选百度Senta。

• 多模态情感识别：若需视觉+音频融合，选阿里R1-Omni；若需模块化框架，选AffectEval。

• 语音情感分析：若需实时交互，选Pipecat；若需浏览器端部署，选face-API。

• 垂直场景：若需心理健康服务，选心元泛心理基座大模型；若需虚拟陪伴，选GirlfriendGPT或LobeChat。

这些项目均为开源免费（部分需自行构建镜像），且拥有活跃的社区支持，适合开发者快速上手与定制。未来，情感AI开源将向更精准的多模态融合、更垂直的场景应用、更开放的生态方向发展，为开发者提供更丰富的工具与资源。