LLM4EDA开源项目 – 大模型提升电路设计效率

Defined.ai是一个提供高质量、伦理收集的数据集的平台，用户可以在此购买、销售或委托数据集，以满足AI训练的需求。

NVIDIA NeMo是一个可扩展的云原生生成式AI框架，专为研究人员和PyTorch开发者设计，支持大语言模型（LLM）、多模态模型（MM）、自动语音识别（ASR）、文本转语音（TTS）和计算机视觉（CV）等领域。它旨在帮助用户高效地创建、定制和部署新一代AI模型，利用现有的代码和预训练模型检查点。NeMo基于Python配置，采用模块化抽象，支持在成千上万个GPU上进行大规模实验。

StyleLLM文风大模型是一个文本风格迁移项目，基于大型语言模型，提供四个经过中国四大名著训练的模型，能够支持多种文本风格的转换，适用于各种语言处理场景。

AppAgentX是一个基于大语言模型（LLM）的智能GUI代理框架，旨在提升智能手机交互的效率和智能性。通过引入记忆机制和进化机制，该框架能够记录任务执行历史，识别重复的操作序列，并将其替换为更高效的高级动作，从而减少对逐级推理的依赖。这使得代理在处理复杂任务和跨应用操作时更加高效和灵活。项目结合了LangChain、LangGraph、Neo4j和Pinecone等技术，支持ADB连接和Android模拟器，并通过Gradio提供用户界面。

LLMParser是一个简单灵活的工具，旨在利用大语言模型从文本中进行分类和提取结构化数据。它支持多种文本格式，能够从非结构化文本中提取有用的信息，同时提供用户友好的接口和配置选项，以便用户轻松上手和定制自己的数据处理需求。

Differentiable Adaptive Merging (DAM) 自动化合并多个具有独特能力的大语言模型（LLM），优化模型间的平衡，以提高数据效率和降低计算成本。DAM 超越传统和进化方法，提供可扩展的解决方案，适用于多样化的 AI 系统。

直接偏好优化 (DPO) 是一种新算法，旨在改变大语言模型（LLM）与人类反馈的对齐方式，提供强化学习的替代方案，从而提高模型对人类偏好的理解和响应能力。

MOSS-RLHF项目专注于研究大语言模型的强化学习从人类反馈（RLHF）机制，详细探讨了Proximal Policy Optimization (PPO)的内部运作，并提供了相关的代码实现，旨在推动对RLHF的理解和应用。

一个可以与本地大语言模型聊天的网页应用，让你在本地运行AI模型，保护隐私的同时享受智能对话体验

Nanbeige-16B（南北阁-16B）是南北阁大模型实验室研发的160亿参数规模的大语言模型，采用了2.5T Tokens进行预训练，数据包含大量互联网高质量语料、各类书籍、代码等领域脱敏文本，在各个权威测评数据集上都取得了不错的效果。本次发布包含有 Base、Chat 以及扩展上下文长度的 Base-32k、Chat-32k 版本。

PAI-RAG是一个基于大语言模型和多向量数据库的知识库问答系统，提供灵活定制的高效信息检索功能，适用于各种自然语言处理任务，具有良好的扩展性。

Pocket LLM是一个平台，旨在使复杂的大语言模型和其他先进的人工智能技术对所有人都可访问。它提供定制化、私密的人工智能解决方案，这些解决方案在普通硬件上训练，具有超低延迟推理，消除了对GPU、TPU或定制ASIC的需求。用户可以在没有高级配置或GPU的情况下，仅使用CPU构建和部署数十亿参数的模型。

Qwen-72B-Chat是阿里巴巴云开发的大型语言模型，参数规模为720亿，训练数据超过3万亿个token。它在自然语言理解和数学任务上表现优异，支持系统提示增强、工具使用和长上下文理解（高达32K tokens），适合多种自然语言任务。该模型在多个基准测试中表现优异，甚至在某些中文评估中超越了GPT-3.5和GPT-4。

Otto是一个基于大语言模型的自主集体决策工具，旨在通过智能化的信息处理与分析，支持多方协作与集体决策，提高团队的决策效率与准确性。

DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据，用户可以使用DeepBI洞察数据并做出数据驱动的决策。