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。
Fast-LLM是一个开源库，旨在加速大型语言模型的训练。它具有快速的训练速度、良好的可扩展性，支持多种模型架构，并且提供易于使用的接口，适合研究和工业应用。
ScaleLLM是一个面向大型语言模型高性能推理的系统，经过仔细设计，能够满足产业级环境的需求。
Vellum是一个用于构建大语言模型（LLM）应用的开发平台，提供了提示工程、语义搜索、版本控制、测试和监控等工具。该平台兼容所有主要的LLM提供商，支持快速实验、回归测试、版本控制以及可观测性与监控。用户可以利用专有数据作为LLM调用的上下文，比较和协作处理提示和模型，并在生产环境中测试、版本控制和监控LLM的变化。
这个开源项目的功能是对类似 #ChatGPT# 的模型进行简单、快速且经济实惠的 RLHF 训练。
是参数高效的语言模型微调中最受欢迎的方法之一。该项目探讨了以参数高效的方式进行语言模型的预训练，并引入了一种名为ReLoRA的方法，利用低秩更新来训练高秩网络。
Stellr是一个数字化工具，旨在帮助科学家记录和管理实验室工作。它现代化了传统的纸质笔记本方法，集中管理数据，以便快速搜索和协作，从而提高研究效率。用户可以轻松注册账户，创建项目，添加实验细节，上传文件并与合作者分享工作。Stellr还提供先进的搜索和组织功能，帮助用户保持有序并快速找到信息。
一个用本地大型语言模型生成合成数据的Python库，提供灵活易用的接口，帮助用户创建由提示引导的数据集。用户可以根据自身需求定制数据集，适用于多种数据生成场景，提升数据科学工作流的效率。
这是用于大规模药物发现的AI模型构建和适配框架，通过提供特定领域的优化模型和工具，加速构建和适配生物分子AI模型的过程，帮助研究人员更高效地进行药物研发。
Byterat 是一个专注于电池研究与工程的全端云平台，利用机器学习预测电池性能，并帮助数字化转型电池实验室。它自动化数据清洗，实时同步实验室数据，缩短从数据到洞察的时间，揭示电池设计与性能之间的隐藏模式，帮助用户提前预测实验结果。同时，Byterat 提供每个电池测试的完整审计记录。
