AI模型开发

Snorkel AI是一个创新平台，专注于数据准备，利用程序化方法加速数据标注和整理，大幅度减少传统手动过程所需的时间和精力，适合企业级部署。

Clear.ml 是一个开源的连续机器学习平台，专注于促进 AI/ML 模型的开发、集成、部署和扩展，支持从数据管理到模型训练再到部署的整个生命周期。

Zenqira平台致力于将高性能AI训练能力普及化，使其对新手和成熟企业都变得实惠且可扩展。

Hugging Face是一个致力于AI模型开发和共享的平台，最近发现了一些模型存在恶意行为。为了防范这些行为，Hugging Face采取了一系列措施，包括扫描检测和开发新格式。

在ESP32微控制器上运行大型语言模型（LLM），探索其在资源受限环境下的可能性，特色包括使用tinyllamas模型和对llama.2c的优化以提高性能。

将Andrej Karpathy的nanoGPT移植到Apple MLX框架，允许在苹果设备上训练OpenAI的GPT-2模型或自定义的GPT风格模型。该项目利用Apple MLX框架的优势，优化性能，简化模型训练流程，便于开发者在Apple生态中进行AI模型的开发和训练。

eigenGPT是一个基于C++的高效实现，旨在提供简化的GPT2架构，易于理解和扩展，适合嵌入式系统和资源受限环境。

Lamini是一个为企业软件开发提供支持的AI驱动的LLM平台，通过生成性AI和机器学习，帮助开发者自动化工作流，简化软件开发过程，提高生产力。

traiNNer是一个基于PyTorch的深度学习框架，旨在实现图像和视频的超分辨率、恢复以及图像到图像的翻译。它提供了灵活的模型结构，支持多种功能，适用于不同的图像处理需求。

Yachay AI是一个基于Byt5的地理标记模型，能够仅通过文本预测坐标。它为开发者提供了支持，以便构建和训练自己的模型，并在Github上提供相关资源和问答支持。

基于PyTorch的时间序列预测工具，它能帮助用户轻松实现高精度的时间序列预测，无论是专业人士还是初学者都能快速上手，为实际应用和研究提供强大支持

Movenet.Pytorch是Google推出的MoveNet在Pytorch中的实现，包含训练代码和预训练模型，适用于人体关键点检测任务。

Huggingface Diffusers的OneFlow移植版，比PyTorch版性能更高，支持多种扩散模型，易于集成与使用。

Smol Vision是一个专注于视觉模型的压缩、优化与定制的方案集，旨在缩小模型尺寸、提高运行速度，并实现个性化定制。该项目支持多种视觉任务，并易于集成与使用，适合在资源有限的环境中应用。

Zeta是一个高性能的AI模型构建框架，采用模块化和可重用的构建块，能够比PyTorch、TensorFlow等框架快80%。它旨在提高开发效率，降低学习曲线，适合各种规模的机器学习任务。