Namo-R1开源项目 – CPU友好的实时视觉语言模型

PE3R（Perception-Efficient 3D Reconstruction）是一个创新项目，能够仅通过2-3张照片生成交互式3D场景。该项目支持基于文本的虚拟世界探索，极大简化了3D重建的流程，适用于多种场景和应用。

R1-Searcher 是一个两阶段强化学习框架，旨在提升大型语言模型（LLM）的搜索能力。该框架通过结果导向的奖励机制工作，无需依赖过程奖励或知识蒸馏。研究表明，它允许 LLM 在推理过程中自主调用外部搜索系统，整合外部知识来解决知识密集型查询。在某些基准测试中，R1-Searcher 的表现显著优于现有的检索增强生成（RAG）方法，甚至与闭源模型（如 GPT-4o-mini）相当或更优。

该项目提供了多种常见机器学习算法的实现代码，包括深度学习教程、PCA、kNN、逻辑回归、流形学习、SVM、GMM、决策树、K-Means、朴素贝叶斯等。

卡内基梅隆大学团队在首届AI数学奥林匹克竞赛(AIMO)中获得亚军的开源项目，包含完整的训练数据集(AIME、AMC、Odyssey-Math)、验证集、模型微调代码和数据收集脚本，为研究AI解决数学问题提供了宝贵资源

Meta-Transformer是一个用于多模态学习的统一框架，能够处理各种模态如自然语言、2D图像、3D点云、音频、视频、时间序列和表格数据。它采用冻结的编码器进行多模态感知，并且可以在没有配对的多模态训练数据的情况下进行训练，同时可学习的数据预处理器能够处理每个输入模态，生成共享的嵌入表示。

Bootstrap 是一款流行的开源前端框架，帮助开发者快速构建美观且响应式的网页和Web应用程序。它基于 HTML、CSS 和 JavaScript 构建，提供响应式网格系统和丰富的组件，适合构建各种类型的网页。Bootstrap 5 是其最新版本，提供了更多现代化的功能和改进。

Forgetting Transformer (FoX) 是一种改进的 Transformer 模型，通过在 Softmax 注意力机制中加入遗忘门，增强了处理长文本和序列任务的能力。它的设计目标是提升长文本建模、长度外推和短文本任务的性能，同时保持长上下文处理能力，并解决标准 Transformer 缺乏显式数据依赖遗忘机制的问题。FoX 通过数据依赖的方式下调未归一化的注意力分数，命名为“遗忘注意力”（Forgetting Attention）。研究表明，FoX 在长上下文语言建模、长度外推和短上下文下游任务上优于标准 Transformer，而在长上下文下游任务上表现相当。此外，FoX 兼容 Flash Attention 算法，且无需位置嵌入，保留了 Transformer 相对于循环序列模型（如 Mamba-2、HGRN2 和 DeltaNet）在长上下文能力上的优势。

该课程包含人工智能可解释性分析领域的导论、算法综述、经典论文精读、代码实战和前沿讲座，由B站知名UP主“同济子豪兄”主讲，课程视频免费开源。

Sycamore 是一个基于大型语言模型（LLM）的搜索与分析平台，专门用于处理非结构化数据，如文档、幻灯片、音频等。它通过先进的LLM技术，帮助用户高效地搜索、分析和提取非结构化数据中的信息，支持多种数据类型，并且是一个开源平台。

Together AI是一个领先的云平台，专为生成式AI设计，提供超快、可扩展和高效的AI模型构建、部署和优化解决方案。它包含多个产品，如Together Inference、Together Fine-tuning、Together Custom Models和Together GPU Clusters，适用于个人开发者和大型企业。

SmallTalk是一个开源的AI语言学习网页应用，支持所有主流浏览器，包括移动端和桌面端。它具备语音功能，用户体验流畅，目前仍处于早期阶段。

code2prompt 是一个开源工具，旨在将代码库快速转换为适合与大型语言模型（LLM）交互的提示词。它通过遍历项目目录，构建树结构，收集每个文件的信息，并自动生成格式化的 Markdown 提示词文档，从而简化与 AI 模型的沟通过程。支持多种自定义选项，如模板生成、文件过滤、Git 信息集成等。

这个开源项目将GraphRAG与Ollama本地LLM结合，并提供可视化的知识图谱UI和监控。

Verdict旨在通过扩展推理时计算，解决传统大型语言模型（LLM）评估中的不稳定性和可靠性问题。其核心价值在于提供更高效、更可靠的评估方法，帮助研究人员和开发者更好地理解和优化AI模型的性能。

Perplexica是一个由AI驱动的搜索引擎，是Perplexity AI的开源替代品，利用先进的机器学习算法理解用户查询，从网络中寻找答案，同时保护用户隐私。