OneFlow开源项目 – 高效的分布式深度学习框架

AnyCores 是一个深度学习编译器，旨在通过优化深度神经网络的性能来降低计算成本，提供超过10倍的加速效果。

DEIM 是一个先进的训练框架，旨在增强 DETR（Detection Transformer）中的匹配机制，从而实现更快的收敛速度和更高的检测精度。该项目为实时目标检测领域的研究和应用提供了坚实的基础，并已在 CVPR 2025 上发表。DEIM 提供了多种预训练模型，包括 DEIM-D-FINE 和 DEIM-RT-DETRv2，适用于不同的计算资源和性能需求。

neosr 是一个开源的超分辨率模型训练框架，旨在简化图像恢复过程。它支持多种架构和数据集，提供高效的训练能力，适用于各种图像恢复任务。

ColossalAI是一个开源的分布式AI大模型训练框架，旨在降低大规模AI大模型的训练成本和复杂度。它通过先进的并行计算技术，让开发者在有限硬件资源下也能高效训练超大规模大模型。支持多种并行策略、混合精度训练、内存优化等技术，广泛应用于大规模模型训练、科研实验和企业部署。

ML Clever 是一个无代码平台，旨在简化企业的机器学习流程。用户无需编程经验即可上传数据、创建管道并获得洞察。该平台提供自动机器学习（AutoML）功能、可定制的AI管道以及拖拽式分析仪表板，专注于为非技术用户提供强大的数据处理和模型部署工具。

LLM Compressor 是一个专注于大型语言模型压缩的工具库，支持训练中和训练后的压缩技术。它与 PyTorch 和 HuggingFace Transformers 兼容，设计灵活易用，便于快速实验。此外，它还专门为 vLLM 提供量化优化功能，支持将 Hugging Face 格式的模型转换为 safetensors 格式，特别适用于量化 Hugging Face 上新发布的小模型。通过集成多种压缩算法（如 GPTQ、SparseGPT 和 SmoothQuant），LLM Compressor 在保持模型精度的同时，显著提升推理效率和资源利用率。

modelkit是一个极简但功能强大的Python MLOps库，方便将机器学习模型快速部署到产品中，兼容多种框架，提供模型版本控制和多种数据源支持。

这是一个开源实现，旨在为Meta的Llama3.2-Vision系列模型提供微调功能，支持高效训练，兼容Liger-Kernel，提升模型性能和训练效率。

LLM微调中心，用于将各种大型语言模型进行微调，以适应个性化用例，提供丰富的微调脚本和最新研究成果，支持模型部署及自定义微调，旨在提高模型在特定数据集上的性能。

PostgresML是一个完整的MLops平台，以简单的PostgreSQL扩展形式存在。它允许用户在数据库内部快速、简单且强大地构建模型。

fastgradio是一个Python库，旨在帮助用户快速构建和分享基于fastai模型的Gradio界面。它提供了简单易用的工具，使得用户能够轻松地将训练好的fastai模型部署为交互式Web应用，并支持多种模型类型和数据格式。通过fastgradio，用户可以为不同的应用场景定制界面，并快速展示模型的功能。

rational_kat_cu 是一个用于 Kolmogorov–Arnold Transformers (KAT) 的 CUDA C++ 扩展项目，专注于实现 group rational function，并支持高效的训练和推理。通过 CUDA 加速，该项目显著提升了 KAT 模型的性能，特别适用于需要高性能计算的场景。

pytorch/ort是一个旨在使用ONNX Runtime加速PyTorch模型推理的工具，支持将PyTorch模型转换为ONNX格式，利用ONNX Runtime提升推理性能，并兼容多种硬件后端。该项目还支持动态计算图，简化模型部署流程，让用户能够更轻松地在不同平台上运行优化后的模型。

PeriFlow是一个创新的生成式AI模型服务引擎，支持大型语言模型（LLM）。它以低成本实现了70~90%的GPU节省，同时提供两种部署选项：PeriFlow容器和PeriFlow云。

分享 GitHub 上一份开源免费的在线教程，涵盖了 PyTorch 基础知识、神经网络、计算机视觉、自定义数据集处理、模块化代码编写以及模型部署等内容。

MMR1是多模态推理领域的前沿项目，通过极少量数据实现顶尖性能。该项目仅使用6k公开数据进行训练，达到了开源7B多模态模型的SOTA性能，并且在6小时内完成高效训练，具有极高的性价比。此外，MMR1采用了数据平衡策略，能够覆盖多样化的数学问题类型。