一个强大的AutoGPT智能体程序，利用Langchain和Selenium实现对整个Chrome会话的控制，能够进行复杂的网页交互和任务自动化。

Deepseek V3 是一个开源的多语言编程测评工具，成功率从 17% 增加到 48%。

CodeTF是Salesforce出品的一站式代码类LLM工具库，提供了一套统一的接口用于Code LLM的训练、推导和微调，支持多种模型，易于扩展和集成。

让人工智能应用通过AppleScript与macOS互动的服务器，提供控制系统功能、管理文件、处理通知等标准化接口

高性能的Python计算引擎，专为数据处理和人工智能设计，能够自动并行化Python程序，无需重写代码，大幅提升计算效率

LeNLP是一个为Python开发的自然语言处理工具箱，旨在通过Rust优化提升性能，集成高性能并行化功能，从而简化Python中的各种NLP任务。

screenshot-to-code是一个能够将网页截图转换为相应代码的工具，支持多种编程语言，旨在提高开发效率。用户只需上传设计稿的截图，即可快速生成对应的HTML/CSS代码，帮助开发者更轻松地实现网页设计。

将LLM与一组SQL数据库结合，实现符号式记忆框架，通过LLM生成SQL指令自主操作数据库，完成任务（支持选择、插入、更新、删除）。

Zenbase Core是一个专为软件工程设计的自动化提示工程库，旨在将斯坦福NLP的DSPy项目研究成果转化为实际工程需求，帮助开发者在生产环境中高效部署和优化提示功能。

这是一个可扩展且高效的主动学习/数据选择系统，旨在为每个人提供服务，优化数据选择过程，以提高模型训练的效率，并支持用户友好的接口和灵活的集成。

carefree-flow是一个基于OneFlow的深度学习库，旨在简化模型构建与训练过程，提供高效的计算性能和友好的API设计，支持动态计算图，适合开发者快速原型和高性能训练需求。

FasterTransformer是一个旨在提高Transformer模型速度和效率的工具，支持多种架构如BERT和GPT，提供高性能的推理和训练，且易于集成。它支持FP16和INT8量化技术，能够在NVIDIA GPU上实现高效的模型推理和快速训练，适合在生产环境中部署优化后的模型。

Stanford Alpaca是一个基于大规模数据训练的自然语言处理模型，支持多种任务，如文本生成、理解、推理及对话系统等。

Llama 2是Meta推出的最新一代大型语言模型，旨在提供更强的自然语言处理能力。

SandboxFusion是一个安全的沙箱环境，用于运行和评估由大型语言模型生成的代码。它支持多种编程语言，并包括Jupyter模式内核，允许用户在安全的环境中执行代码，并提供生成代码的评估机制。

KTransformers是由清华大学KVCache.AI团队与趋境科技联合开发的开源项目，专注于优化大型语言模型（LLM）的推理性能，特别是在资源受限的环境中高效运行LLM。该项目支持单GPU（24GB显存）或多GPU环境，支持DeepSeek-R1和V3的671B满血版模型，预处理速度最高可达286 tokens/s，推理生成速度最高可达14 tokens/s。KTransformers通过高级内核优化和放置/并行策略，提供高达3至28倍的加速效果，并支持Q4_K_M量化版本，最低仅需14GB显存和382GB内存。

picollm是一个基于X-Bit量化的设备端大型语言模型(LLM)推理引擎，专为运行压缩的大型语言模型而优化。它提供跨平台、高准确性的SDK，支持本地运行以确保隐私安全，适合在资源受限的设备上使用。

PeterCat是一个GitHub项目库的智能问答机器人，旨在提升代码维护者与社区用户之间的问答效率。它能够自动抓取GitHub上的文档和issue，作为知识库，支持多种集成方式，并提供丰富的功能，如项目信息查询、Discussion回复、PR总结、代码审查和issue管理。基于AWS与Supabase架构，支持私有化部署，采用TypeScript和Python双语言开发，确保代码质量和文档完备性。

中文Guanaco(原驼)大语言模型，支持QLora量化训练，可在本地CPU/GPU上高效部署，旨在优化大语言模型的效率，适用于低资源环境的训练和应用。

用于快速拟合神经场(neural fields)到整个数据集的库，为下游任务提供代表性的表示

基于PyTorch的易于使用的增强学习框架，通过Lightning Fabric加速。该框架旨在提供一个简单且可扩展的强化学习算法框架，同时解耦强化学习算法与环境，使其能与任何环境一起使用。

研究人员设计了一种'好奇回放'算法，让AI智能体优先回放那些最有趣和新奇的经历，从中学习。这种方式让AI智能体表现出更多的好奇心和探索欲，更快地接近和与新物体互动。

bRAG-langchain 是一个完整的从入门到高级的RAG构建指南，适合想要深入学习和实践RAG技术的开发者。项目提供了从基础设置到高级应用的完整学习路径，涵盖查询构建、路由、索引、检索和生成的完整流程。通过多个 Jupyter Notebook，开发者可以逐步实现从简单到复杂的 RAG 应用，并掌握高级检索与重排技术。

大型语言模型的数据、模型和基准集市，为ChatGPT的大众化贡献力量

一个用纯C语言实现的项目，旨在训练GPT-2模型，代码量仅为1000行，具有高效的内存管理和性能优化，方便扩展和修改。

KernelBench 是一个专注于使用大模型生成高效GPU内核的项目，旨在通过编写自定义内核来替代PyTorch中的标准实现，并评估其正确性和性能提升。该项目包含250个神经网络任务，涵盖基础Kernel操作、简单的fusion pattern和完整的神经网络结构。同时，KernelBench 还提供四个级别的测试类别，包括单内核运算符、简单融合模式、完整模型架构和HuggingFace模型优化，以测试LLM将PyTorch算子转译为CUDA内核的能力，并评估生成代码的编译、正确性和性能。

FinRL-Meta 是一个为数据驱动金融强化学习提供多种市场环境的框架，支持多种算法，并集成数据处理和特征工程工具，具有良好的可扩展性，方便用户自定义环境，提供丰富的示例和文档，易于上手。

Weaviate Recipes是一个为使用Weaviate而设计的食谱和示例集合，重点关注不同类型的向量嵌入，以支持AI应用。

Ditto是一个允许用户通过自然语言描述生成多文件Flask应用程序的工具，旨在简化编码过程并提高开发效率。

LLaMA-O1 是一个大型推理模型框架，专为 PyTorch 和 HuggingFace 设计，支持训练、推理和评估。它集成了蒙特卡洛树搜索（MCTS）、自我对弈强化学习、PPO 和类似 AlphaGo Zero 的双策略范式，适用于大型语言模型的开发和应用。