Kvax开源项目 – JAX框架下的高效FlashAttention实现

建立在HuggingFace模型和PyTorch Fully Sharded Data Parallelism基础上的训练套件，旨在优化吞吐量，简化在资源受限环境中训练中型模型的分布式方案设置工作流程，尤其适用于学术集群。

accelerate是一个工具，可以帮助用户在多种设备上简单地运行PyTorch训练脚本，支持多GPU和TPU训练，并提供了易于集成的解决方案。它使得混合精度训练变得简单，同时支持分布式训练，用户可以通过命令行接口轻松启动训练任务。

一站式AI开发平台，支持机器学习、深度学习和大模型开发。它提供从数据管理到模型部署的全流程支持，涵盖在线开发、分布式训练、推理服务等功能，帮助企业和开发者高效构建AI应用。

SkyNet是一个专为网络优化设计的开源AI框架，为开发者提供提升网络模型性能的工具。它支持复杂网络任务的高效处理，适用于从研究到部署的多种场景。

这是一个关于出色LLM推理的小集合，包含文献、博客和文档以及代码，支持TensorRT-LLM、流式LLM、SmoothQuant、WINT8/4、连续批处理、FlashAttention、PagedAttention等技术。

Meta 发布的 Llama 3.1 1B和3B的官方量化版本，提供了更小的内存占用、更快的设备推理速度、准确性和便携性。

Linear-MoE 是一个基于 Megatron-Core 的线性混合专家模型库，专注于为高效训练和部署大型语言模型提供强大支持。它集成了多种线性注意力机制，支持多种模型架构，并具备高效的分布式训练能力，助力大规模模型开发。此外，Linear-MoE 还提供了丰富的预训练和微调脚本，极大地简化了开发流程。

一种高效加速大语言模型推理的技术，通过减少内存访问，几乎不损失性能，让模型运行更快更省资源

torchtitan是一个基于PyTorch的大型语言模型（LLM）训练库，专注于简化大规模模型的训练过程。它支持多种并行技术，如FSDP2、Tensor Parallel、Pipeline Parallel和Context Parallel，并提供了详细的文档和调试工具。torchtitan旨在展示PyTorch最新的分布式训练特性，并适用于研究新的并行技术和探索分布式训练中的最佳实践。项目目前处于预发布状态，支持从头开始预训练Llama 3.1 LLM，并提供了丰富的功能模块和灵活的配置选项。

gla-jax是一个基于JAX和pallas的Gated Linear Attention (GLA)核实现，专注于为长序列处理提供高效解决方案。它通过多种GLA实现和内存优化技术，显著提升了序列处理的性能和效率。

metaseq是一个用于训练和评估大型序列模型的框架，旨在简化和加速大规模模型的开发过程。

大规模机器学习是一个网站，提供来自顶尖科技公司的机器学习系统的见解，涵盖分布式训练、特征存储、设备模型部署、对抗样本的稳健性、行业角色等主题。

FastLLM是一个动态策略选择的深度学习模型训练代码库，集成了Deepspeed、Megatron、FlashAttention、CudaFusionKernel和编译器技术，旨在优化大规模语言模型的训练效率，提供更加灵活和高效的训练方案。

t5-experiments是一个专注于T5模型实验的项目，特别是探索Transformer模型的扩展技术和内存效率。该项目旨在处理极长序列（高达2,048,000个token），并采用RMT（Recurrent Memory Transformer）方法增强内存保留能力。尽管处理大量token序列，项目仍保持紧凑的内存大小（3.6GB），并支持高效推理，最多可处理4096个内存段。项目突破了以往Transformer模型的限制（如CoLT5的64K token和GPT-4的32K token）。

torchtune是一个用于训练、微调和实验大型语言模型（LLM）的PyTorch库。它利用最新的PyTorch API实现内存效率和性能优化，并支持YAML配置以简化训练和评估流程。torchtune适用于微调LLM以用于文本生成、问答和对话生成等任务，并支持量化、剪枝等后训练技术，以针对特定用例优化模型。此外，torchtune与Hugging Face Transformers、torchao和EleutherAI的LM Eval Harness等工具集成，提供了丰富的功能和灵活性。