模型参数优化

基于扩散模型的控制与规划教程，深度学习在控制和规划中的应用指南，通过扩散模型生成样本，解决多模态分布匹配问题，提高训练稳定性和可扩展性。

课程资料由Brigham Frandsen教授的机器学习与因果推断课程提供，涵盖了基本概念、实践示例和代码实现，适合初学者和有经验的研究人员，包含丰富的学习资源和参考文献。

Collie是一个多功能的AI模型训练与部署框架，旨在简化机器学习模型的开发和管理过程。它基于PyTorch，结合了DeepSpeed和MegatronLM，避免使用复杂的外部库，并提供用户友好的接口和多种内置工具。

Kandinsky-3是基于Kandinsky2-x模型族构建的开源文本到图像扩散模型，旨在提供高质量的图像生成和多样化的风格选择，支持用户自定义输入，快速生成，并易于扩展。

Woodpecker是一种用于多模态大语言模型的幻觉修正工具，旨在提高生成文本的准确性和可靠性。它支持多种输入类型和数据源，集成简单，易于使用，能够有效地纠正生成过程中出现的错误信息。

一个用于非因果建模的双向线性注意力实现项目，通过Triton优化模型性能，特别适合需要高效处理大量数据的AI应用

Sparse-Marlin是一个优化工具，专为4bit量化权重的2:4稀疏性推理核设计，旨在提升深度学习模型的计算效率和存储效率，适用于各种深度学习应用。

Katana ML Skipper 是一个简单且灵活的机器学习工作流引擎，支持多种机器学习任务，具有强大的可扩展性，能够轻松集成其他工具和库，帮助用户高效地创建和管理机器学习工作流。