基于Jax实现的等变图神经网络库，为复杂结构数据建模提供强大的工具。

一个开源的平替版本，基于 Deep Research，提供可视化操作界面，支持多种 AI 服务和联网搜索服务。

DeepSeek R1 是一个从零开始构建的高效推理模型项目。它使用 Qwen 作为基础模型，通过 GRPO 算法进行初步训练，并结合 Supervised Fine-Tuning (SFT) 和改进的强化学习方法，显著提升了模型的推理能力和语言一致性。项目提供了全流程的代码实现、详细的训练过程描述和手绘流程图，使得即使是初学者也能轻松上手。

R1-Onevision是一款开源的多模态大语言模型，具备深度推理能力，尤其在视觉推理任务中表现卓越。它在数学、科学、图像理解和逻辑推理等多个领域表现出色，并在多项推理基准测试上超越了Qwen2.5-VL-7B和GPT-4V模型。该模型能够处理复杂的图像和文本数据，解决深层次的视觉推理问题，提供7B模型权重，推理性能卓越。

通过代码输入输出预测压缩推理模式，提升大语言模型的推理能力。该项目旨在将代码推理模式转化为自然语言，以适配多种推理任务，涵盖符号、科学、逻辑、数学和常识推理。同时，CodeIO提供完整的数据处理和训练流程，帮助用户快速上手。

本项目为开发者提供从基础到高级的RAG（检索增强生成）应用实现指南。通过多个Jupyter Notebook，项目详细介绍了RAG的架构搭建、多查询技术、自定义路由与查询构建、高级检索与重排等内容。开发者可以逐步学习RAG的核心概念，并实践从简单到复杂的实现过程。

ML-Agents是Unity官方开源的一个AI训练工具包，专门用于在3D环境中训练智能体。它支持强化学习、模仿学习等多种机器学习方法，能够在机器人控制任务中显著提升训练效率，较传统方案提升4倍。ML-Agents提供了灵活且可扩展的训练环境，支持多种机器学习框架（如TensorFlow和PyTorch），并集成了可视化工具以分析智能体行为与性能。

Sparse Fuse Dense项目旨在通过深度补全技术实现高质量的3D检测，适用于自动驾驶和机器人视觉等领域。该项目利用先进的算法将稀疏的深度信息与其他数据源融合，从而提高3D对象检测的准确性和可靠性。

Label Studio 是一款高效的AI数据标注工具，支持多模态数据标注，适用于自然语言处理（NLP）、计算机视觉（CV）、语音处理等多种任务。它提供了手动标注和模型辅助标注功能，拥有强大的可视化界面，兼容主流机器学习框架，并支持自动化标注和主动学习。通过集成GPT、LLaMA等大模型，Label Studio 能够实现AI辅助标注，显著提升标注效率。此外，它还支持300+数据格式的导入导出，提供云端和本地混合部署模式，内置数据质量校验规则，并与MLOps工具如PyTorch Lightning和Airflow无缝对接。

一个关于长上下文大语言模型（LLM）的综述性研究，涵盖了架构、框架、训练和评估四个方面的内容，旨在提供对该领域的全面理解和未来研究的指导。

TESS-2是一款大规模通用扩散语言模型，为自然语言处理任务带来全新视角。它基于创新的扩散模型架构，旨在提升模型的通用性和适应性，支持多种语言任务，如问答、文本生成等。同时，TESS-2提供完整的训练和推理脚本，使得用户可以轻松复现和扩展模型。

Focoos AI 提供的高效、可定制的计算机视觉开发平台，包括一个强大的 SDK，用于帮助开发者和企业快速选择、定制、测试和部署适合各种数据、应用和硬件的先进模型。

SkyPilot 是一个托管和调度框架，类似于 k8s，用于大模型的推理框架管理。旨在简化大规模模型的部署与管理，提高推理效率。

FactGraph项目通过语义图表示评估摘要的事实性，旨在提高生成摘要的准确性和可信度。

Savanna是一个用于卷积多混合模型（StripedHyena 2）的预训练基础设施，旨在优化大规模分布式训练的性能，支持多种优化技术，并已成功训练多个大型模型，处理超过9T tokens的数据。

通过高质量合成数据提升多模态多语言嵌入性能的创新项目，支持多种任务和语言，在MMEB基准测试中达到SOTA性能，致力于推动跨模态学习的进步。

AceCoder项目旨在通过自动化流程大规模生成高质量、可验证的代码训练数据，从而提升代码生成模型的性能。

TaskWeaver是微软开发的智能数据分析代理，通过自然语言指令自动生成Python代码，在TPC-H基准测试中准确率达89%（较传统BI工具提升42%）。它是一个代码优先的Agent框架，主要用于数据分析领域，将用户需求转换为可执行代码，协调各种插件（以函数形式）来执行数据分析任务。

Intel研究院开源的AI模型优化工具，支持将千亿参数大模型压缩至1/20体积，在Intel第四代至强处理器上实现3.8倍推理加速，量化精度损失＜0.5%。该工具提供统一API，支持主流深度学习框架（如TensorFlow、PyTorch、ONNX Runtime和MXNet）上的模型压缩技术，包括量化、剪枝、蒸馏和神经架构搜索。

NVIDIA官方优化的大模型推理框架，在H100显卡上运行Llama3-70B模型达400 tokens/s，较原生PyTorch实现提速8倍，支持INT4量化与动态批处理。

DeepGEMM是一款采用CUDA编写的FP8通用矩阵乘法库，具有全JIT编译设计，简化了运维流程并提供卓越的计算性能。它支持稠密矩阵与混合专家（MoE）矩阵乘法，为V3/R1模型训练推理提供高效算力。DeepGEMM在NVIDIA Hopper架构上表现出色，最大性能提升2.7倍，支持细粒度缩放技术，解决FP8精度损失问题，并采用两级累加技术确保结果准确性。

该项目旨在提升DeepSeek-R1 GGUF模型在KTransformers上的运行效率，提供近2倍的性能提升，并支持多GPU和内存映射，适配不同硬件，优化配置丰富，便于实现高效推理。

Topoloss通过引入创新性的拓扑结构，使神经网络模型更智能与高效，显著提升其泛化能力。该项目支持多种主流神经网络架构，便于集成，并且代码设计简洁，用户可轻松接入。

一个简单易用、可扩展且高性能的强化学习人类反馈（RLHF）框架。它能解决大语言模型对齐和优化的问题，让模型更好地理解和生成人类期望的内容。

MLGym是Meta开源的首个专门用于机器学习任务的Gym环境，旨在通过13个跨领域的开放式任务训练AI掌握从生成想法到实验分析的完整研究能力。它集成了计算机视觉、自然语言处理、强化学习、博弈论等多个领域的任务，提供了轨迹可视化工具和Web UI，支持Docker和Podman容器化部署，便于快速上手和测试AI模型。

一个从零开始学习C语言的路线图，整理了一份详细的学习资源清单，旨在帮助初学者高效地掌握C语言，并进一步深入到x86-64汇编语言和操作系统内核开发。

一款基于TensorFlow和Ray实现的自弈德州扑克AI，提供清晰的代码基础，用于在德州扑克类游戏中应用无模型自对弈强化学习方法，旨在复现AlphaHoldem的结果。

专注于开放词汇感知领域的综合资源集合，涵盖了开放词汇感知（包括2D和3D）相关的论文和代码资源，为研究人员提供了该领域最新研究成果的集中索引。该项目持续更新，助力研究人员快速上手，涵盖了3D和2D两大领域，资源丰富，提供了10多篇顶级会议论文及代码链接。

HOVER为机器人运动控制提供高效、灵活的神经网络解决方案，基于强化学习技术，能够实现复杂动作的精准控制，支持多种机器人模型，适配性强，并提供详细的训练和测试流程，易于上手。

分布式训练指南：一份全面的分布式训练最佳实践指南，教你如何编写分布式Pytorch训练代码，诊断训练中的错误，并充分利用所有可用资源。