LLM Resources

Source: https://github.com/WangRongsheng/awesome-LLM-resources at c318e482e279
License: Apache-2.0
Read the English original

This edition is an AI-assisted translation.

Eine Zusammenfassung der besten großen Sprachmodellressourcen der Welt.

Ausgrabung von Projekten, die wirklich wertvoll sind, nicht nur Wilderei. Kopf

[!TIP] Wenn du recht hast,Interesse an medizinischen Datensätzen / großen Modellen / multimodalen / bewertungsbezogenen RessourcenBitte checken Sie bei uns ein. Awesome-AI4Med !

Wir werden Freunde sein.

PackyCode ist ein stabiler, effizienter API-Transitdienstleister mit einem Wort Zugriff auf das Mainstream-Modell. Harmonisierter Domainname, einheitlicher Schlüssel, intelligenter Profilschalter, 97% Verfügbarkeit. Der RMB 1:1, kein Wechselkurs, keine Gebührengrube, erster Rabatt für neue Benutzer + 1 $ kostenlose Erfahrung, mit Multigruppenrabatten so niedrig wie 2 Falten, um den Codex / Claude Autobahn zur Verfügung zu stellen. Klicken Sie, um diesen Link zu registrieren und sofort zu starten!

Vielen Dank, Infistar.cc, dass Sie dieses Projekt gesponsert haben. :: Ein stabiler und effizienter Modellkanal: Preise sind so niedrig wie 0,30% für offizielle Kanäle, Modelle sind mehrfach und transparent, mehrere Knoten sind redundant und die Flussgrenze, 429 und Cut-off-Effekte werden effektiv reduziert; • One-Stop-Zugriff auf Mainstream-Modelle: Ein API-Schlüssel kann auf Mainstream-Modelle wie Claude, ChatGPT, Gemini, Kimi, GLM, DeepSeek zugreifen, die Textgenerierung, Bildgenerierung, multimodulares Denken abdecken; Kompatibilität von Lagerressourcenpraktiken: ob multimodulare Generierung, assistive Programmierung, Modellfindung oder MCP / Agent-Entwicklung, Infistar kann direkt vorgelagert als OpenAI, Claude, Gemini, Learning by Doing und Nullschwellen-Laufelemente und Tutorials verwendet werden; • Exklusive Vorteile: durch [the]Exklusive Links bewerbenDie Registrierung erhält einen $ 5 äquivalenten Testbetrag / First Charge exklusiv, schnellen Zugriff und rufen Sie an!

Danke an APIMart für das Sponsoring dieses Projekts! APIMart ist eine preisgünstige API-Plattform, die sich auf die AI-Bild-/Videoerzeugung konzentriert, GPT-Image-2 ist so niedrig wie 0,006 US-Dollar und 1 US-Dollar kann 160+ anzeigen. Bilder, Videos, eine Reihe von Walkern, APIs, Jobs, um IDs zu erhalten, Rückrufe, viele Male laufen, Modelle ändern, ohne Codes zu ändern. Zahlen Sie auf Volumenbasis, keine monatliche Gebühr, durch diese. Registerlink Die Registrierung ist verfügbar.

---

Inhalt

• Empfohlen 🌀
• Daten
• Feinsteuerung
• Agentische RL 🌀
• Inferenz
• Bewertung
• Erfahrung
• Wissensbasis RAG
• intelligent
• Forschung 🔥
• Code
• Video Video Video Video Video Video
• Bild 🔥
• Suche
• Voice Speech 🔥
• Weltmodelle 🔥
• Lobster OpenClaw
• Einheitliches Modell 🌀
• Buch
• Kurs
• Tutorisch
• Papier
• Gemeinschaft
• Modellkontextprotokoll MCP
• Leistungen
• Offen o1
• Offen o3
• Kleines Sprachmodell 🌀
• Kleines Video Sprachmodell 🌀
• Fähigkeiten Tipps

Empfohlen

Podcast

• 14 Jahre Google AI, Geminis Turnover und Visual Understanding Model: ein Interview mit Andrew Dai | Neolabs, ein ehemaliger Kernwissenschaftler in DeepMind. Album
• Vier Stunden Interview mit Yao Sun-woo: Lass mich verrückt werden! Anthropic und Zwillinge, Modellierung, Technologievorhersage, Heldentum ist vorbei.
• Ein Jahr in ByteDances AI Lab
• Luo Fuli: OpenClaw, Agent Frameworks - Das KI-Paradigma hat sich schon dramatisch verändert!
• Ein 7-stündiges Marathon-Interview mit Saining Xie: Weltmodelle, AMI Labs, Yann LeCun, Fei-Fei Li und 42
• Neben dem Haus: OpenAI, GPT, Enhanced Learning, Infra, Post Training, Thongue, Open Source, CMU, Qinghua, WhynotTV Podcast
• Lovart, Gründer, Chen Zhao Yong-ho! Und lass mich einen großen Kampf haben und dann weggehen.
• Mini Max, der Gründer des Berges, Junjie Luo Yong Ho, ist nicht unbesiegbar.
• Hurrikan Tim X. Rong Ho!
• Interview mit CEO Zhang Peng über den ersten Teil des Global Large Model: Wie kannst du es wagen, wo zu fragen?
• 128. Manus beschlossen, sein letztes Interview zu verkaufen: Ah, diese fantastische 2025-Drift…
• 122. Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu Zhu
• Kimi Linear, Minimax M2? Und Yang Songline Archäologische Algebra.
• Zweites dreistündiges Interview mit Li Zing: CEO Big Model, MoE, Liang Wen Sing, VLA, Energy, Memory, Anti-Humanity, Intimacy, Human Intelligence
• 3-stündiges Interview mit OpenAi Yao: 6 Jahre Agentenforschung, Menschen und Systeme, verschlingende Grenzen, eine unipolare und vielfältige Welt
• Dialog mit Yang Shih, ein Jahr später: K2, Institutional LLM, das Gehirn im Tank und „Standing at an infinite beginning

Daten

[!NOTE]

Name hier数据, aber dies bietet keinen spezifischen Datensatz, sondern eine Möglichkeit, eine groß angelegte Datenerfassung zu verarbeiten

1. AotoLabelBeschriften, Bereinigen und Anreichern von Textdatensätzen mit LLMs.
2. LabelLLMDie Open-Source Data Annotation Platform.
3. data-juicerEin One-Stop-Datenverarbeitungssystem, um Daten qualitativ hochwertiger, saftiger und verdaulicher für LLMs zu machen!
4. OmniParser: eine native Golang ETL-Streaming-Parser- und Transformationsbibliothek für CSV, JSON, XML, EDI, Text usw.
5. MinerU (🔥)MinerU ist ein One-Stop, Open-Source, qualitativ hochwertige Datenextraktion Tool, unterstützt PDF / Webseite / E-Book-Extraktion.
6. PDF-Extract-Kit: Ein umfassendes Toolkit für hochwertige PDF-Inhalteextraktion.
7. ParseraLeichte Bibliothek zum Abkratzen von Websites mit LLMs.
8. SparrowSparrow ist eine innovative Open-Source-Lösung für eine effiziente Datenextraktion und -verarbeitung aus verschiedenen Dokumenten und Bildern.
9. DoclingBereiten Sie Ihre Dokumente für Gen AI vor.
10. GOT-OCR2.0OCR-Modell.
11. LLM DecontaminatorÜberdenken von Benchmark und Kontamination für Sprachmodelle mit neu formulierten Proben.
12. DataTroveDataTrove ist eine Bibliothek zum Verarbeiten, Filtern und Deduplizieren von Textdaten in einem sehr großen Maßstab.
13. llm-swarmGenerieren Sie große synthetische Datensätze wie Cosmopedia.
14. DistilabelDistilabel ist ein Framework für synthetische Daten und KI-Feedback für Ingenieure, die schnelle, zuverlässige und skalierbare Pipelines basierend auf verifizierten Forschungsarbeiten benötigen.
15. Common-Crawl-Pipeline-CreatorDer Common Crawl Pipeline Creator.
16. Tabled: Erkennen und Extrahieren von Tabellen zu Markdown und csv.
17. Zerox: Zero shot pdf OCR mit gpt-4o-mini.
18. DocLayout-YOLOVerbesserung der Dokumentenlayout-Analyse durch vielfältige synthetische Daten und global-zu-lokale adaptive Wahrnehmung.
19. TensorZeroLLMs durch Erfahrung verbessern.
20. PromptwrightGenerieren Sie große synthetische Daten mit einem lokalen LLM.
21. pdf-extract-api: Document (PDF) extraction and parse API using state of the art modern OCRs + Ollama supported models.
22. pdf2htmlEXKonvertieren Sie PDF in HTML, ohne Text oder Format zu verlieren.
23. ExtractousSchnelle und effiziente unstrukturierte Datenextraktion. Geschrieben in Rust mit Bindungen für viele Sprachen.
24. MegaParse: File Parser optimiert für LLM Ingestion ohne Verlust.
25. MarkItDownPython-Tool zum Konvertieren von Dateien und Office-Dokumenten in Markdown.
26. datasketchDatasketch bietet Ihnen probabilistische Datenstrukturen, die sehr große Datenmengen superschnell verarbeiten und durchsuchen können, mit wenig Verlust an Genauigkeit.
27. semhash: Leichtes und flexibles Tool zum Deduplizieren von Datensätzen unter Verwendung semantischer Ähnlichkeit.
28. ReaderLM-v2: ein 1,5B-Parameter-Sprachmodell, das rohes HTML in schön formatierten Markdown oder JSON konvertiert.
29. Bespoke CuratorDatenkuration für Post-Training & Strukturierte Datenextraktion.
30. LangKitEin Open-Source-Toolkit zur Überwachung großer Sprachmodelle (LLMs). Extrahiert Signale aus Aufforderungen und Antworten, um Sicherheit zu gewährleisten.
31. CuratorSynthetische Daten Kuration für Post-Training und strukturierte Datenextraktion.
32. olmOCR: Ein Toolkit zum Training von Sprachmodellen für die Arbeit mit PDF-Dokumenten in freier Wildbahn.
33. Easy Dataset (🔥)Ein leistungsstarkes Tool zum Erstellen von Feinabstimmungsdatensätzen für LLM.
34. BabelDOC: PDF wissenschaftliche Papierübersetzung und zweisprachige Vergleichsbibliothek.
35. Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting.
36. EasyDistillEinfache Wissensdestillation für große Sprachmodelle.
37. ContextGemEin kostenloses Open-Source-LLM-Framework, das es radikal einfacher macht, strukturierte Daten und Erkenntnisse aus Dokumenten zu extrahieren.
38. OCRFlux: ein leichtes, aber leistungsstarkes multimodales Toolkit, das die PDF-zu-Markdown-Konvertierung deutlich vorantreibt und sich durch komplexes Layout-Handling, kompliziertes Tabellen-Parsing und übergreifendes Zusammenführen von Inhalten auszeichnet.
39. DataFlowEinfache Datenaufbereitung mit den neuesten LLMs-basierten Operatoren und Pipelines.
40. DatasetLoom (multimodal): Eine Plattform für den Aufbau und die Auswertung intelligenter Datensätze für die Ausbildung in großen multimodularen Modellen.
41. Logics-Parsing
42. DeepSeek-OCR
43. PaddleOCR-VL
44. Chandra: ein hochgenaues OCR-Modell, das Bilder und PDFs in strukturiertes HTML/Markdown/JSON konvertiert und gleichzeitig Layoutinformationen bewahrt.
45. HunyuanOCR: ein führender End-to-End-OCR-Experte VLM, der von Hunyuans nativer multimodaler Architektur angetrieben wird.
46. DeepSeek-OCR-2Visueller kausaler Fluss.
47. PaddleOCR-VL-1.5 (🔥): Auf dem Weg zu einem Multi-Task 0.9B VLM für robustes In-the-Wild Document Parsing.
48. GLM-OCR: ein multimodales OCR-Modell für komplexes Dokumentenverständnis, das auf der GLM-V-Encoder-Decoder-Architektur aufbaut.

zurück nach oben

Feinsteuerung

1. LLaMA-Factory (🔥)Vereinheitlichen Sie Efficient Fine-Tuning von 100+ LLMs.
2. 360-LLaMA-Factory: Vereinheitlichen Sie Efficient Fine-Tuning von 100+ LLMs. (fügen Sie Sequenzparallelismus hinzu, um langes Kontexttraining zu unterstützen)
3. unsloth (🔥)2-5x schneller 80% weniger Speicher LLM Feinabstimmung.
4. TRLTransformer Reinforcement Learning.
5. FireflyFirefly: Großes Modell-Trainings-Tool, um das Training von Dutzenden von großen Modellen zu unterstützen
6. XtunerEin effizientes, flexibles und voll ausgestattetes Toolkit für die Feinabstimmung großer Modelle.
7. torchtuneEine Native-PyTorch Library für LLM Fine-Tuning.
8. SwiftVerwenden Sie PEFT oder Full-Parameter, um 200+ LLMs oder 15+ MLLMs zu verfeinern.
9. AutoTrainEine neue Möglichkeit, automatisch modernste Machine Learning-Modelle zu trainieren, zu bewerten und einzusetzen.
10. OpenRLHFEin einfach zu bedienendes, skalierbares und leistungsstarkes RLHF-Framework (Support 70B+ Full Tuning & LoRA & Mixtral & KTO).
11. LudwigLow-Code-Framework zum Erstellen von benutzerdefinierten LLMs, neuronalen Netzwerken und anderen KI-Modellen.
12. mistral-finetuneEine leichte Codebasis, die eine speichereffiziente und performante Feinabstimmung der Mistral-Modelle ermöglicht.
13. aikitFine-tune, Build und Bereitstellung von Open-Source-LMs einfach!
14. H2O-LLMStudioH2O LLM Studio - ein Framework und keine Code-GUI für die Feinabstimmung von LLMs.
15. LitGPTVortrainieren, verfeinern, 20+ LLMs auf Ihren eigenen Daten bereitstellen. Verwendet modernste Techniken: Flash-Aufmerksamkeit, FSDP, 4-Bit, LoRA und mehr.
16. LLMBoxEine umfassende Bibliothek zur Implementierung von LLMs, einschließlich einer einheitlichen Schulungspipeline und einer umfassenden Modellbewertung.
17. PaddleNLP: Einfach zu bedienende und leistungsstarke NLP- und LLM-Bibliothek.
18. workbench-llamafactory: Dies ist ein Beispielprojekt von NVIDIA AI Workbench, das einen durchgängigen Modellentwicklungsworkflow mit Llamafactory demonstriert.
19. OpenRLHF: Ein einfach zu bedienendes, skalierbares und leistungsstarkes RLHF-Framework (70B+ PPO Full Tuning & Iterative DPO & LoRA & Mixtral).
20. TinyLLaVA FactoryEin Framework für kleine große multimodale Modelle.
21. LLM-FoundryLLM-Trainingscode für Databricks Foundation-Modelle.
22. lmms-finetune: Eine einheitliche Codebasis für die Feinabstimmung (Full, Lora) großer multimodaler Modelle, die llava-1.5, qwen-vl, llava-interleave, llava-next-video, phi3-v usw. unterstützt.
23. SimplifineMit Simplifine können Sie LLM-Feinabstimmung mit nur einer Zeile Code mit einem beliebigen Hugging Face-Datensatz oder -Modell aufrufen.
24. Transformer LabOpen Source Anwendung für Advanced LLM Engineering: Interagieren, trainieren, verfeinern und bewerten Sie große Sprachmodelle auf Ihrem eigenen Computer.
25. Liger-KernelEffiziente Triton Kernels für LLM Training.
26. ChatLearn: Ein flexibler und effizienter Trainingsrahmen für die Ausrichtung in großem Maßstab.
27. nanotronMinimalistisches 3D-Parallelitätsmodell für Großsprachen.
28. Proxy TuningTuning Language Models von Proxy
29. Effective LLM AlignmentEffektives LLM Alignment Toolkit.
30. Autotrain-advanced
31. Meta LinguaEine schlanke, effiziente und einfach zu hackende Codebasis zur Erforschung von LLMs.
32. Vision-LLM AlignemntDieses Repository enthält den Code für SFT, RLHF und DPO, der für vision-basierte LLMs entwickelt wurde, einschließlich der LLaVA-Modelle und der LLaMA-3.2-Vision-Modelle.
33. finetune-Qwen2-VLSchnellstart für die Feinabstimmung oder Fortsetzung des Qwen2-VL-Modells vor dem Zug.
34. Online-RLHF: Ein Rezept für Online RLHF und Online iterative DPO.
35. InternEvo: Ein Open-Source-Framework für leichtes Training zielt darauf ab, Modellvorschulungen ohne umfangreiche Abhängigkeiten zu unterstützen.
36. veRL (🔥)Volcano Engine Reinforcement Learning für LLM.
37. AxolotlAxolotl wurde entwickelt, um mit YAML-Konfigurationsdateien zu arbeiten, die alles enthalten, was Sie benötigen, um einen Datensatz vorzuverarbeiten, ein Modell zu trainieren oder zu verfeinern, Modellinferenz oder -auswertung auszuführen und vieles mehr.
38. Oumi: Alles, was Sie brauchen, um state-of-the-art-Grundlagenmodelle zu erstellen, Ende-zu-Ende.
39. KilnDas einfachste Werkzeug für die Feinabstimmung von LLM-Modellen, die Erzeugung synthetischer Daten und die Zusammenarbeit an Datensätzen.
40. DeepSeek-671B-SFT-Guide: Eine Open-Source-Lösung für die vollständige Parameter-Feinabstimmung von DeepSeek-V3/R1 671B, einschließlich des vollständigen Codes und der Skripte vom Training bis zur Inferenz sowie einiger praktischer Erfahrungen und Schlussfolgerungen.
41. MLX-VLMMLX-VLM ist ein Paket zur Inferenz und Feinabstimmung von Vision Language Models (VLMs) auf Ihrem Mac mit MLX.
42. RL-FactoryTrainieren Sie Ihr Agentenmodell über unser einfaches und effizientes Framework.
43. RM-GalleryEine One-Stop Reward Model Plattform.
44. ARTRegen mehrstufige Agenten für reale Aufgaben mit GRPO. Geben Sie Ihren Agenten ein On-the-Job-Training.
45. LMMs-EngineEin einfaches, beliebiges Modalitäts-Framework für Vorschulung und Feinabstimmung. Lean, flexibel und gebaut für die Forschung.
46. dLLMEine Bibliothek, die das Training und die Bewertung von Diffusionssprachenmodellen vereint und Transparenz und Reproduzierbarkeit in die gesamte Entwicklungspipeline bringt. diffusion
47. Miles: ein unternehmensorientiertes Verstärkungslern-Framework für groß angelegte MoE-Post-Trainings- und Produktions-Workloads.
48. Skills: eine Sammlung von Pipelines zur Verbesserung der “Fähigkeiten” großer Sprachmodelle (LLMs).
49. Twinkle: ein leichtes Client-Server-Trainings-Framework, das mit modularen Schnittstellen mit hohem Zusammenhalt entwickelt wurde.
50. NeMo AutoModelVerteilte native Trainingsbibliothek für LLMs / VLMs mit OOTB Hugging Face-Unterstützung.
51. VeOmniSkalierung jedes Modalitätsmodell-Training mit Model-Centric Distributed Recipe Zoo.
52. Soup: One-config CLI für LLM Post-Training (SFT/DPO/GRPO/KTO/ORPO). Layer-Streaming trainiert ein 8B-Modell auf einer 4-GB-Laptop-GPU, indem es die eingefrorene Basis vom Host-RAM jeweils eine Decoderschicht streamt.

zurück nach oben

Agentische RL

• veRL (🔥): https://github.com/volcengine/verl
• AReaL: https://github.com/inclusionAI/AReaL
• slime (🔥): https://github.com/THUDM/slime
• Agent Lightning: https://github.com/microsoft/agent-lightning
• Molt: https://github.com/NVIDIA-NeMo/labs-molt
• prime-rl: https://github.com/PrimeIntellect-ai/prime-rl

zurück nach oben

Inferenz

1. ollama (🔥)Starten Sie mit Llama 3, Mistral, Gemma und anderen großen Sprachmodellen.
2. Open WebUI: Benutzerfreundliche WebUI für LLMs (früher Ollama WebUI).
3. Text Generation WebUIEine Gradio Web-Benutzeroberfläche für große Sprachmodelle. Unterstützt Transformatoren, GPTQ, AWQ, EXL2, llama.cpp (GGUF), Llama Modelle.
4. XinferenceEine leistungsstarke und vielseitige Bibliothek, die entwickelt wurde, um Sprache, Spracherkennung und multimodale Modelle zu bedienen.
5. LangChainErstellen Sie kontextbewusste Argumentationsanwendungen.
6. LlamaIndexEin Daten-Framework für Ihre LLM-Anwendungen.
7. lobe-chat: ein Open-Source, modern gestaltetes LLMs / AI Chat-Framework. Unterstützt Multi AI Provider, Multi-Modals (Vision/TTS) und Plugin-System.
8. TensorRT-LLMTensorRT-LLM bietet Benutzern eine benutzerfreundliche Python-API, um Large Language Models (LLMs) zu definieren und TensorRT-Engines zu erstellen, die modernste Optimierungen enthalten, um Inferenz effizient auf NVIDIA-GPUs durchzuführen.
9. vllm (🔥)Eine Hochdurchsatz- und speichereffiziente Inferenz- und Serving-Engine für LLMs.
10. LlamaChatChatten Sie mit Ihren Lieblings-LLaMA-Modellen in einer nativen macOS-App.
11. NVIDIA ChatRTXChatRTX ist eine Demo-App, mit der Sie ein GPT Large Language Model (LLM) personalisieren können, das mit Ihren eigenen Inhalten verbunden ist - Docs, Notizen oder andere Daten.
12. LM Studio🔥: Entdecken, Herunterladen und Ausführen lokaler LLMs.
13. chat-with-mlxChatten Sie mit Ihren Daten nativ auf Apple Silicon mit MLX Framework.
14. LLM PreisgestaltungFinden Sie schnell die perfekte Large Language Models (LLM) API für Ihr Budget! Nutzen sie unser kostenloses tool für sofortigen zugriff auf die neuesten preise von top-anbietern.
15. Open InterpreterEine natürliche Sprachschnittstelle für Computer.
16. Chat-ollamaEin Open-Source-Chatbot, der auf LLMs basiert. Es unterstützt eine breite Palette von Sprachmodellen und Knowledge Base Management.
17. chat-uiOpen-Source-Codebasis für die HuggingChat-App.
18. MemGPTErstellen Sie LLM-Agenten mit Langzeitgedächtnis und benutzerdefinierten Tools.
19. koboldcppEine einfache Ein-Datei-Methode, um verschiedene GGML- und GGUF-Modelle mit der Benutzeroberfläche von KoboldAI auszuführen.
20. LLMFarm: Lama und andere große Sprachmodelle auf iOS und MacOS offline mit GGML-Bibliothek.
21. enchantedVerzaubert ist ios und macos app für das chatten mit privaten selbst gehosteten sprachmodellen wie llama2, mistral oder vicuna mit olama.
22. FlowiseDrag & Drop UI, um Ihren angepassten LLM-Flow zu erstellen.
23. JanJan ist eine open-source-alternative zu chatgpt, die 100% offline auf ihrem computer läuft. Mehrfache Motorunterstützung (llama.cpp, TensorRT-LLM).
24. LMDeployLMDeploy ist ein Toolkit zum Komprimieren, Bereitstellen und Servieren von LLMs.
25. RouteLLM: Ein Framework zum Servieren und Bewerten von LLM-Routern - sparen Sie LLM-Kosten, ohne die Qualität zu beeinträchtigen!
26. MInference: Über Um die Inferenz von Long-Context-LMs zu beschleunigen, berechnen ungefähre und dynamische Sparse die Aufmerksamkeit, was die Inferenzlatenz um bis zu 10x für das Vorfüllen auf einem A100 reduziert und gleichzeitig die Genauigkeit beibehält.
27. Mem0Die Speicherschicht für Personalized AI.
28. SGLang (🔥)SGLang ist ein weiteres schnelles Framework für große Sprachmodelle und Vision-Sprachmodelle.
29. AirLLMAirLLM optimiert die Inferenzspeichernutzung, so dass 70B große Sprachmodelle Inferenz auf einer einzigen 4GB-GPU-Karte ohne Quantisierung, Destillation und Beschneidung ausführen können. Und Sie können 405B Llama3.1 jetzt auf 8GB vram ausführen.
30. LLMHubLLMHub ist eine leichtgewichtige Management-Plattform, die entwickelt wurde, um den Betrieb und die Interaktion mit verschiedenen Sprachmodellen (LLMs) zu optimieren.
31. YuanChat
32. LiteLLM (🔥): Aufrufen Sie alle LLM-APIs im OpenAI-Format [Bedrock, Huggingface, VertexAI, TogetherAI, Azure, OpenAI, Groq usw.]
33. GuideLLMGuideLLM ist ein leistungsstarkes Tool zur Bewertung und Optimierung des Einsatzes großer Sprachmodelle (LLMs).
34. LLM-EnginesEine einheitliche Inferenz-Engine für große Sprachmodelle (LLMs), einschließlich Open-Source-Modelle (VLLM, SGLang, Together) und kommerzielle Modelle (OpenAI, Mistral, Claude).
35. OARCollama agent roll cage (OARC) ist ein lokaler Python-Agent, der ollama llm’s mit Coqui-TTS-Sprachmodellen, Keras-Klassifikatoren, Llava Vision, Whisper-Erkennung und mehr verbindet, um einen einheitlichen Chatbot-Agenten für die lokale, benutzerdefinierte Automatisierung zu erstellen.
36. g1Verwenden von Llama-3.1 70b auf Groq, um o1-ähnliche Argumentationsketten zu erstellen.
37. MemoryScopeMemoryScope bietet LLM-Chatbots leistungsstarke und flexible Langzeitgedächtnisfunktionen und bietet einen Rahmen für den Aufbau solcher Fähigkeiten.
38. OpenLLMFühren Sie alle Open-Source-LMs wie Llama 3.1, Gemma als OpenAI-kompatiblen API-Endpunkt in der Cloud aus.
39. InfinityDie AI-native Datenbank, die für LLM-Anwendungen entwickelt wurde und eine unglaublich schnelle Hybridsuche von dichtem Einbetten, spärlichem Einbetten, Tensor und Volltext bietet.
40. optillmEin OpenAI API-kompatibler Optimierungs-Inferenz-Proxy, der mehrere hochmoderne Techniken implementiert, die die Genauigkeit und Leistung von LLMs verbessern können.
41. LLaMA Box: LLM Inference Server Implementierung basierend auf llama.cpp.
42. ZhiLightEin hochoptimierter Inferenzbeschleunigungsmotor für Llama und seine Varianten.
43. DashInferDashInfer ist eine native LLM-Inferenz-Engine mit dem Ziel, branchenführende Leistung auf verschiedenen Hardware-Architekturen zu liefern.
44. LocalAIDie kostenlose Open Source Alternative zu OpenAI, Claude und anderen. Selbst gehostet und local-first. Drop-in-Ersatz für OpenAI, läuft auf Consumer-Grade-Hardware. Keine GPU erforderlich.
45. ktransformersEin flexibles Framework zum Erleben modernster LLM-Inferenzoptimierungen.
46. SkyPilotFühren Sie AI- und Batch-Jobs auf beliebigen Infrastrukturen aus (Kubernetes oder 14+ Clouds). Erhalten Sie einheitliche Ausführung, Kosteneinsparungen und hohe GPU-Verfügbarkeit über eine einfache Schnittstelle.
47. ChituHochleistungs-Inferenz-Framework für große Sprachmodelle mit Schwerpunkt auf Effizienz, Flexibilität und Verfügbarkeit.
48. TokenSwiftVon Stunden bis Minuten: Lossless Beschleunigung der Ultra Long Sequence Generation.
49. Cherry Studio (🔥): ein Desktop-Client, der mehrere LLM-Anbieter unterstützt, die unter Windows, Mac und Linux verfügbar sind.
50. Shimmy: Python-freier Rust-Inferenzserver - OpenAI-API kompatibel. GGUF + SafeTensors, Hot Model Swap, Auto-Discovery, Single Binary.
51. LlamaBarnFühren Sie lokale LLMs auf Ihrem Mac mit einer einfachen Menüleisten-App aus.
52. Parallax: ein verteiltes Modell-Service-Framework, mit dem Sie überall Ihren eigenen KI-Cluster erstellen können.
53. xLLMEine Hochleistungs-Inferenz-Engine für LLMs, optimiert für verschiedene KI-Beschleuniger.
54. Rapid-MLXOpenAI-kompatibler lokaler LLM-Inferenzserver für Apple Silicon, 2-4x schneller als Ollama.
55. TokenSpeed: eine LLM-Inferenz-Geschwindigkeits-Engine für agentische Workloads mit TensorRT-LLM-Level-Leistung und vLLM-Level-Usability. Unser Ziel ist es, die leistungsstärkste Inferenz-Engine für produktionsagentische Workloads zu sein.
56. FreeTokenEntsperren Sie die Intelligenz der Datacenter-Klasse auf der Hardware, die Sie bereits besitzen.

zurück nach oben

Bewertung

1. lm-evaluation-harness: Ein Framework für die Bewertung von Sprachmodellen mit wenigen Aufnahmen.
2. opencompass (🔥)OpenCompass ist eine LLM-Evaluierungsplattform, die eine breite Palette von Modellen (Llama3, Mistral, InternLM2, GPT-4,LLaMa2, Qwen, GLM, Claude usw.) über 100 Datensätze unterstützt.
3. llm-comparator: LLM Comparator ist ein interaktives Datenvisualisierungs-Tool zur Bewertung und Analyse von LLM-Antworten nebeneinander.
4. EvalScope (🔥)
5. GewebeEin leichtes Toolkit zum Nachverfolgen und Auswerten von LLM-Anwendungen.
6. MixEvalAbleitung der Weisheit der Menge aus LLM Benchmark Mixtures.
7. Evaluation guidebookWenn Sie sich jemals gefragt haben, wie Sie sicherstellen können, dass ein LLM bei Ihrer spezifischen Aufgabe gut funktioniert, ist dieser Leitfaden für Sie!
8. Ollama Benchmark: LLM Benchmark für den Durchsatz über Ollama (Lokale LLMs).
9. VLMEvalKit: Open-Source-Evaluierungs-Toolkit von großen Vision-Sprachmodellen (LVLMs), unterstützt ~ 100 VLMs, 40+ Benchmarks.
10. AGI-Eval
11. EvalScopeEin optimiertes und anpassbares Framework für eine effiziente Bewertung großer Modelle und Leistungsvergleiche.
12. DeepEval: ein einfach zu bedienendes Open-Source-LLM-Evaluierungs-Framework zur Bewertung und zum Testen großsprachiger Modellsysteme.
13. LightevalLighteval ist Ihr All-in-One-Toolkit zur Bewertung von LLMs über mehrere Backends hinweg.
14. QwQ/evalQwQ ist die Modellreihe, die vom Qwen-Team Alibaba Cloud entwickelt wurde.
15. Evalchemy: Ein einheitliches und einfach zu bedienendes Toolkit zur Bewertung posttrainierter Sprachmodelle.
16. MathArenaBewertung von LLMs auf den neuesten Mathematikwettbewerben.
17. YourBenchEin Dynamic Benchmark Generation Framework.
18. MedEvalKitEin Unified Medical Evaluation Framework.
19. OpenJudgeEin einheitliches Framework für ganzheitliche Bewertung und Qualitätsbelohnungen.

zurück nach oben

Erfahrung

1. LM Arena
2. Design Arena
3. Vals AI evaluation
4. Ameisenzahl

zurück nach oben

Wissensbasis RAG

1. AnythingLLMDie All-in-One-AI-App für jedes LLM mit vollen RAG- und AI-Agent-Kapazitäten.
2. MaxKBWissensbasis-Frage- und Antwortsystem basierend auf dem LLM Big Language Model. Öffnen Sie die Box, um eine schnelle Einbettung in den Betrieb von Drittanbietern zu unterstützen.
3. RAGFlow: Eine Open-Source-RAG-Engine (Retrieval-Augmented Generation), die auf einem tiefen Dokumentenverständnis basiert.
4. Dify: Eine Open-Source-LLM-App-Entwicklungsplattform. Die intuitive Benutzeroberfläche von Dify kombiniert KI-Workflow, RAG-Pipeline, Agentenfähigkeiten, Modellmanagement, Beobachtbarkeitsfunktionen und mehr, sodass Sie schnell vom Prototyp zur Produktion gelangen können.
5. FastGPT: Eine wissensbasierte Plattform, die auf dem LLM basiert und Out-of-the-Box-Datenverarbeitungs- und Modellaufruffunktionen bietet, ermöglicht die Workflow-Orchestrierung durch Flow-Visualisierung.
6. Langchain-ChatchatLokale Wissensbasis basierend auf verschiedenen großen Sprachmodellen wie Langchain und ChatGM Answer
7. QAnythingFrage und Antwort basierend auf allem.
8. Quivr: Ein persönlicher Produktivitätsassistent (RAG) ⚡️🤖 Chatten Sie mit Ihren Dokumenten (PDF, CSV, …) & Apps mit Langchain, GPT 3.5 / 4 Turbo, Private, Anthropic, VertexAI, Ollama, LLMs, Groq, die Sie mit Benutzern teilen können! Lokale & private Alternative zu OpenAI GPTs & ChatGPT mit Retrieval-Augmented-Generation.
9. RAG-GPTRAG-GPT nutzt die LLM- und RAG-Technologie und lernt von benutzerdefinierten Wissensdatenbanken, um kontextrelevante Antworten für eine Vielzahl von Abfragen bereitzustellen und eine schnelle und genaue Informationsabfrage zu gewährleisten.
10. VerbaRetrieval Augmented Generation (RAG) Chatbot unterstützt von Weaviate.
11. FlashRAGEin Python Toolkit für effiziente RAG-Forschung.
12. GraphRAGEin modulares graphenbasiertes RAG-System (Retrieval-Augmented Generation).
13. LightRAGLightRAG unterstützt Entwickler bei der Erstellung und Optimierung von Retriever-Agent-Generator-Pipelines.
14. GraphRAG-Ollama-UI: GraphRAG mit Ollama mit Gradio UI und Extra Features.
15. nano-GraphRAG: Eine einfache, leicht zu hackende GraphRAG-Implementierung.
16. RAG TechniquesDieses Repository zeigt verschiedene fortschrittliche Techniken für Systeme der Retrieval-Augmented Generation (RAG). RAG-Systeme kombinieren den Informationsabruf mit generativen Modellen, um genaue und kontextbezogene Antworten zu liefern.
17. ragasEvaluation Framework für Ihre Retrieval Augmented Generation (RAG) Pipelines.
18. kotaemon: Eine Open-Source-Clean & anpassbare RAG-Benutzeroberfläche zum Chatten mit Ihren Dokumenten. Gebaut mit Endbenutzern und Entwicklern im Auge.
19. RAGapp: Der einfachste Weg, Agentic RAG in jedem Unternehmen zu verwenden.
20. TurboRAGBeschleunigte Retrieval-Augmented Generation mit Precomputed KV Caches für Chunked Text.
21. LightRAGEinfache und schnelle Retrieval-Augmented Generation.
22. TEN: das Next-Gen AI-Agent Framework, das weltweit erste wirklich Echtzeit-Multimodal-AI-Agent-Framework.
23. AutoRAGRAG AutoML-Tool zum automatischen Finden einer optimalen RAG-Pipeline für Ihre Daten.
24. KAGKAG ist ein Framework zur Wissensgenerierung, das auf der OpenSPG-Engine basiert und zum Aufbau wissensgestützter, strenger Entscheidungsfindungs- und Informationsabrufdienste verwendet wird.
25. Fast-GraphRAGRAG, die sich intelligent an Ihren Anwendungsfall, Ihre Daten und Abfragen anpasst.
26. Tiny-GraphRAG
27. DB-GPT GraphRAGDB-GPT GraphRAG integriert sowohl triplettbasierte Wissensgraphen als auch Dokumentstrukturgraphen und nutzt gleichzeitig Community- und Dokumentenabrufmechanismen, um die RAG-Fähigkeiten zu verbessern und eine vergleichbare Leistung zu erzielen, während nur 50% der von Microsofts GraphRAG benötigten Token verbraucht werden. Siehe DB-GPT Grafik RAG Benutzerhandbuch für Einzelheiten.
28. ChonkieDie No-Nonsense RAG Chunking-Bibliothek, die leicht, blitzschnell und bereit ist, Ihre Texte zu CHONKEN.
29. RAGLiteRAGLite ist ein Python-Toolkit für Retrieval-Augmented Generation (RAG) mit PostgreSQL oder SQLite.
30. KAGKAG ist ein logisches, formgeführtes Argumentations- und Retrieval-Framework, das auf OpenSPG-Engine und LLMs basiert.
31. CAGCAG nutzt die erweiterten Kontextfenster moderner Large Language Models (LLMs), indem alle relevanten Ressourcen in den Kontext des Modells vorgeladen und die Laufzeitparameter zwischengespeichert werden.
32. MiniRAG: ein extrem einfaches Retrieval-augmented-Generierungs-Framework, das es kleinen Modellen ermöglicht, eine gute RAG-Leistung durch heterogene Graphenindexierung und leichtes Topologie-enhanced-Retrieval zu erzielen.
33. XRAG: ein Benchmarking-Framework, das entwickelt wurde, um die grundlegenden Komponenten von Advanced Retrieval-Augmented Generation (RAG) Systemen zu bewerten.
34. RankifyEin umfassendes Python Toolkit für Retrieval, Re-Ranking und Retrieval-Augmented Generation.
35. RAG-Anything: All-in-One RAG System.

zurück nach oben

intelligent

1. AutoGenAutoGen ist ein Framework, das die Entwicklung von LLM-Anwendungen mit mehreren Agenten ermöglicht, die miteinander kommunizieren können, um Aufgaben zu lösen. AutoGen AIStudio
2. CrewAIFramework zum Orchestrieren von Rollenspielen, autonomen KI-Agenten. Durch die Förderung kollaborativer Intelligenz ermöglicht CrewAI Agenten, nahtlos zusammenzuarbeiten und komplexe Aufgaben zu bewältigen.
3. Kokos
4. AgentGPTZusammenstellen, Konfigurieren und Bereitstellen autonomer KI-Agenten in Ihrem Browser.
5. XAgentEin autonomer LLM-Agent für komplexe Aufgabenlösung.
6. MobileAgentDie leistungsstarke Mobile Device Operation Assistant Familie.
7. LagentEin leichtes Framework für den Aufbau von LLM-basierten Agenten.
8. Qwen-AgentAgent-Framework und -Anwendungen, die auf Qwen2 aufbauen, mit Funktionsaufruf, Code-Interpreter, RAG und Chrome-Erweiterung.
9. LinkAIOne-Stop AI Smart-Body-Plattform
10. Baidu APPBuilder
11. agentUniverseAgentUniverse ist ein LLM-Multiagenten-Framework, mit dem Entwickler einfach Multiagenten-Anwendungen erstellen können. Darüber hinaus können sie über die Gemeinschaft Praktiken von Mustern in verschiedenen Bereichen austauschen und teilen.
12. LazyLLMEntwicklungstool zur Low-Code-Konstruktion von MultiAgent-Großmodellanwendungen
13. AgentScopeStarten Sie die Erstellung von LLM-empowered Multi-Agent-Anwendungen auf einfachere Weise.
14. AgentField: Open-Source-Kontrollebene für den Aufbau und Betrieb von KI-Agenten wie APIs in großem Maßstab mit Routing, Speicher, Beobachtbarkeit, Identität, Auth und Richtlinienkontrollen.
15. MoAMixture of Agents (MoA) ist ein neuartiger Ansatz, der die kollektiven Stärken mehrerer LLMs nutzt, um die Leistung zu verbessern und modernste Ergebnisse zu erzielen.
16. AgentlyAI Agent Application Development Framework.
17. OmAgentEin multimodales Agenten-Framework zur Lösung komplexer Aufgaben.
18. TribeKein Code-Tool, um schnell Multi-Agent-Teams aufzubauen und zu koordinieren.
19. CAMELErstes LLM-Multiagenten-Framework und eine Open-Source-Community, die sich dem Skalierungsgesetz von Agenten widmet.
20. PraisonAIPraisonAI-Anwendung kombiniert AutoGen und CrewAI oder ähnliche Frameworks zu einer Low-Code-Lösung für die Erstellung und Verwaltung von Multi-Agent-LM-Systemen, wobei der Schwerpunkt auf Einfachheit, Anpassung und effizienter Zusammenarbeit zwischen Mensch und Agent liegt.
21. IoAEin Open-Source-Framework für kollaborative KI-Agenten, das es verschiedenen, verteilten Agenten ermöglicht, komplexe Aufgaben durch internetähnliche Konnektivität zu bewältigen.
22. llama-agentic-system Agentische Komponenten der Llama Stack APIs.
23. Agent ZeroAgent Zero ist kein vordefiniertes agentisches Framework. Es ist so konzipiert, dass es dynamisch ist, organisch wächst und lernt, wie Sie es verwenden.
24. AgentsEin Open-Source-Framework für datenzentrierte, sich selbst entwickelnde autonome Sprachagenten.
25. AgentScopeStarten Sie die Erstellung von LLM-empowered Multi-Agent-Anwendungen auf einfachere Weise.
26. FastAgencyDer schnellste Weg, Multi-Agent-Workflows in die Produktion zu bringen.
27. Swarm: Framework für den Aufbau, die Orchestrierung und den Einsatz von Multiagentensystemen. Verwaltet vom OpenAI Solutions Team. Versuchsrahmen.
28. Agent-SEin offenes agentisches Framework, das Computer wie einen Menschen verwendet.
29. PydanticAIAgent Framework / Shim zur Verwendung von Pydantic mit LLMs.
30. Agentarium: Open-Source-Framework zum Erstellen und Verwalten von Simulationen mit KI-basierten Agenten.
31. smolagentsEine Barebones-Bibliothek für Agenten. Agenten schreiben Python-Code, um Werkzeuge aufzurufen und andere Agenten zu orchestrieren.
32. CooragentCooragent ist eine AI Agent Collaboration Community.
33. AgnoAgno ist eine leichte Bibliothek zum Aufbau von Agenten mit Gedächtnis, Wissen, Werkzeugen und Argumentation.
34. Suna: Open Source Generalist AI Agent.
35. rowboatLassen Sie AI in wenigen Minuten Multi-Agent-Workflows für Sie erstellen.
36. EvoAgentXAufbau eines sich selbst entwickelnden Ökosystems von KI-Agenten.
37. ii-agent: ein neues Open-Source-Framework zum Aufbau und Einsatz intelligenter Agenten.
38. OWLOptimiertes Workforce Learning für allgemeine Multi-Agenten-Unterstützung in der Real-World Task Automation.
39. OpenManusKeine Festung, rein offener Boden. OpenManus kommt.
40. JoyAgent-JDGenie: Das branchenweit erste hochvervollständigte generische Multi-Intelligenz-Produkt mit einem niedrigen Fertigstellungsgrad.
41. coze-studio: Eine KI-Agentenentwicklungsplattform mit visuellen All-in-One-Tools, die die Erstellung, das Debuggen und die Bereitstellung von Agenten wie nie zuvor vereinfacht.
42. OxyGentEin fortschrittliches Python-Framework, mit dem Entwickler schnell produktionsfähige intelligente Systeme erstellen können.
43. LazyCraftLazyCraft ist eine AIAgent-Anwendungsentwicklungs- und -verwaltungsplattform, die auf LazyLM basiert und Entwicklern dabei hilft, große Modellanwendungen schnell und kostengünstig zu erstellen und zu veröffentlichen.
44. OpenAgentsAI Agent Networks für Open Collaboration.
45. SandBoxAll-in-One Sandbox für KI-Agenten, die Browser, Shell, File, MCP und VSCode Server in einem einzigen Docker-Container kombiniert.
46. DeepAnalyze: Erstes agentisches LLM für autonome Datenwissenschaft, das spezifische Datenaufgaben (Datenaufbereitung, Analyse, Modellierung, Visualisierung und Einblick) und datenorientierte Tiefenforschung unterstützt (Forschungsberichte auf Analystenebene erstellen).
47. Astron Agent: Enterprise-Grade, kommerziell-freundliche agentische Workflow-Plattform für den Aufbau von SuperAgenten der nächsten Generation.
48. Youtu-AgentEin einfaches, aber leistungsstarkes Agenten-Framework, das mit Open-Source-Modellen liefert.
49. MiroThinker: ein Open-Source-Suchagentenmodell, das für Tool-Augmented Reasoning und die Suche nach realen Informationen entwickelt wurde und darauf abzielt, die fundierte Forschungserfahrung von OpenAI Deep Research und Gemini Deep Research zu kombinieren.
50. NexentEine Null-Code-Plattform für automatisch generierende Agenten - keine Orchestrierung, kein komplexer Drag-and-Drop erforderlich, mit reiner Sprache, um einen gewünschten Agenten zu entwickeln.
51. Yunjue-AgentEin vollständig reproduzierbares Zero-Start-In-Situ-Selbstentwicklungssystem für offene Aufgaben.
52. HindsightModernstes Langzeitgedächtnis für KI-Agenten von Vectorize. Open-Source, self-hostable, mit Integrationen für LangChain, CrewAI, LlamaIndex, MCP und mehr.
53. AgentsMeshDie AI Agent Workforce Plattform. Selbst-hostable Multi-Agent-Orchestrierung mit Remote-AI-Workstations (AgentPods), PTY-Sandbox + Git-Worktree-Isolation, kanalbasierte Agenten-Kollaboration, integriertes Kanban und Per-Pod-MCP-Server. Unterstützt Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode.
54. BitFun: Open-Source-Agentic-Entwicklungsumgebung mit einer Rust / Tauri-Desktop-App und CLI für Codierung, Forschung, Büroarbeit, Browser- und Desktop-Automatisierung, erweiterbar durch MCP, Skills und benutzerdefinierte Agenten.

Harnstoff

1. pi: AI Agent Toolkit: Unified LLM API, Agent Loop, TUI, Coding Agent CLI.
2. DeepSeek HarnessAlles ist ein Plugin.
3. OpenSquilla: ein tokeneffizienter Mikrokern-KI-Agent.
4. PenguinHarnessIhr automatisierter Agent Builder, direkt auf Ihrem Desktop / Server.
5. FrontierAgent: eine Open-Source-Agent-Laufzeit, ein Terminalprodukt und eine Evaluierungssuite für die Langzeitforschung und dateibasierte Arbeit.

zurück nach oben

Forschung

Schreiben

• PaperDebugger: https://github.com/PaperDebugger/PaperDebugger
  • XtraGPT served as refiner: https://github.com/Xtra-Computing/XtraGPT
• Chat Overleaf: https://github.com/anuin-cat/chat-overleaf
• 文智云助手: https://overleaf.top/
• LiteWrite: https://litewrite.ai/
• Prism: https://openai.com/zh-Hans-CN/prism/
• claude-prism: https://github.com/delibae/claude-prism

Überarbeiteter Entwurf

• PaperReview: https://paperreview.ai/
• aiXiv: https://aixiv.science/
• OpenJudge Review: https://openjudge.me/paper_review

PPT

• PPTAgent: https://github.com/icip-cas/PPTAgent
• Paper PPT Agent: https://github.com/CRui5in/paper-ppt-agent
• PPT Master: https://github.com/hugohe3/ppt-master
• LandPPT: https://github.com/sligter/LandPPT
• Kami: https://github.com/tw93/kami
• beautiful-html-templates: https://github.com/zarazhangrui/beautiful-html-templates
• guizang-ppt-skill: https://github.com/op7418/guizang-ppt-skill
• GordenSuperPPTSkills: https://github.com/GordenSun/GordenSuperPPTSkills
• dashiAI-ppt-skill: https://github.com/chuspeeism/dashiAI-ppt-skill

andere

• Paper2Video: https://github.com/showlab/Paper2Video
• Paper2Poster: https://github.com/Paper2Poster/Paper2Poster
• AutoPR: https://github.com/irgolic/AutoPR
• Auto-Slides: https://github.com/Westlake-AGI-Lab/Auto-Slides
• EvoPresent: https://github.com/eric-ai-lab/EvoPresent
• Paper2All: https://github.com/YuhangChen1/Paper2All
• AutoPage: https://github.com/AutoLab-SAI-SJTU/AutoPage
• pdf2video: https://github.com/DangJin/pdf2video
• Idea2Paper: https://github.com/AgentAlphaAGI/Idea2Paper
• PaperX: https://github.com/yutao1024/PaperX
• figures4papers: https://github.com/ChenLiu-1996/figures4papers
• PaperBanana: https://github.com/dwzhu-pku/PaperBanana
• PaperBanana-Pro: https://github.com/elpsykongloo/PaperBanana-Pro
• AutoFigure: https://github.com/ResearAI/AutoFigure
  • FigureWeave: https://github.com/Krisocer/FigureWeave
  • EditDeck: https://github.com/Morgensonne/EditDeck
• AutoFigure-Edit: https://github.com/ResearAI/AutoFigure-Edit
• Kahneman4Review: https://huggingface.co/spaces/nuojohnchen/Kahneman4Review
• Academic Figure Generator: https://github.com/LigphiDonk/academic-figure-generator
• PaperFit: https://github.com/OpenRaiser/PaperFit

Vollautomatische Wissenschaft.

• EvoScientist: https://github.com/EvoScientist/EvoScientist
• Auto-claude-code-research-in-sleep: https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep
• ArgusBot: https://github.com/waltstephen/ArgusBot
• Station: https://github.com/dualverse-ai/station
• Dr.Claw: https://github.com/OpenLAIR/dr-claw
• Redigg: https://github.com/redigg/redigg
• AutoResearchClaw: https://github.com/aiming-lab/AutoResearchClaw
• NanoResearch: https://github.com/OpenRaiser/NanoResearch
• ScienceClaw: https://github.com/AgentTeam-TaichuAI/ScienceClaw
• EurekaClaw: https://github.com/EurekaClaw/EurekaClaw
• Claude-scholar: https://github.com/Galaxy-Dawn/claude-scholar/
• claude-scientific-skills: https://github.com/K-Dense-AI/claude-scientific-skills
• K-Dense BYOK: https://github.com/K-Dense-AI/k-dense-byok
• latex-paper-skills: https://github.com/yunshenwuchuxun/latex-paper-skills
• NeuriCo: https://github.com/ChicagoHAI/NeuriCo
• AutoResearch : https://github.com/karpathy/autoresearch
• RD-Agent : https://github.com/microsoft/RD-Agent
• DeepScientist : https://github.com/ResearAI/DeepScientist
• Deep Researcher Agent: https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7
• academic-research-skills: https://github.com/Imbad0202/academic-research-skills
• Supervisor-Skills: https://github.com/HKUSTDial/Supervisor-Skills

zurück nach oben

Code

1. Cloi CLI: Lokaler Debugging-Agent, der in Ihrem Terminal läuft.
2. Devin
3. v0
4. Blot.new
5. Cursor
6. Windsurf
7. cline
8. Baumstamm
9. MGX
10. Roo Code
11. Kilo Code
12. Augmentcode
13. Claude Code (🔥)
14. Claude Code (🔥) + Happy Coder / CodePilot / cc-connect
15. Gemini CLI
16. Serena
17. Claudia
18. OpenCode
19. Kiro
20. CodeBuddy
21. Kiro
22. CodeX (🔥)
23. Kimi-CLI
24. opencode
25. Multica
26. Atomic Agent
27. DeepSeek Harness

zurück nach oben

Video Video Video

Modell

[!NOTE] 🤝Awesome-Video-Diffusion

1. HunyuanVideo
2. CogVideo
3. Wan2.1
4. Open-Sora
5. Open-Sora-Plan
6. LTX-Video
7. Step-Video-T2V
8. Step1X-Edit Editing
9. Wan2.1-VACE Editing
10. ICEdit Editing
11. mochi-1-preview
12. Wan2.1-Fun
13. Wan2.1-FLF2V 首尾帧
14. MAGI-1 自回归模型
15. SkyReels-V2
16. FramePack
17. Pusa-VidGen
18. Wan2.2
19. MoGA 长视频
20. LongCat-Video
21. HunyuanVideo-1.5
22. LTX-2
    • Training
23. daVinci-MagiHuman
24. LongLive
25. JoyAI-Echo
26. NAVA
27. LTX-2.3 (🔥)
28. LingBot-Video
29. MiniMax-H3 (🔥)
30. MAGI-2-preview
31. LTX-2.5 (🔥)

Edit

1. Wan2.1-VACE-14B: https://huggingface.co/Wan-AI/Wan2.1-VACE-14B
2. Ditto: https://github.com/EzioBy/Ditto
3. Bernini (🔥): https://github.com/bytedance/Bernini
4. JoyAI-Video-Edit: https://huggingface.co/jdopensource/JoyAI-Video-Edit

Ausbildung

• https://github.com/hao-ai-lab/FastVideo
• https://github.com/tdrussell/diffusion-pipe
• https://github.com/VideoVerses/VideoTuna
• (🔥) https://github.com/modelscope/DiffSynth-Studio
• https://github.com/huggingface/diffusers
• https://github.com/kohya-ss/musubi-tuner
• https://github.com/spacepxl/HunyuanVideo-Training
• https://github.com/Tele-AI/TeleTron
• https://github.com/Yaofang-Liu/Mochi-Full-Finetuner
• https://github.com/bghira/SimpleTuner
• https://github.com/X-GenGroup/Flow-Factory
• https://github.com/shengshu-ai/minWM „Weltmodell

Argumente

• https://github.com/ModelTC/LightX2V
• https://github.com/thu-ml/TurboDiffusion

Praktische Werkzeuge

• PySceneDetectPython und OpenCV-basiertes Szenenschnitt-/Übergangserkennungsprogramm & Bibliothek.
• DOVERVideoqualitätsbewertung zu User Generated Contents aus ästhetischen und technischen Perspektiven.
• ArtiMuseFine-Grained Image Aesthetics Assessment mit Joint Scoring und Experten-Level Understanding.

zurück nach oben

Bild

Erzeugung

• awesome-nano-banana
• Awesome-Nano-Banana-images
• HunyuanImage-3.0：https://github.com/Tencent-Hunyuan/HunyuanImage-3.0
• Seedream 4.0：https://arxiv.org/abs/2509.20427
• LongCat-Image：https://huggingface.co/meituan-longcat/LongCat-Image
• Z-Image-Turbo：https://huggingface.co/Tongyi-MAI/Z-Image-Turbo
  • https://huggingface.co/inclusionAI/TwinFlow
• Qwen-Image：https://huggingface.co/Qwen/Qwen-Image
• Qwen-Image-2512：https://huggingface.co/Qwen/Qwen-Image-2512
• Z-Image：https://huggingface.co/Tongyi-MAI/Z-Image
• ERNIE-Image: https://huggingface.co/baidu/ERNIE-Image
  • ERNIE-Image-Turbo: https://huggingface.co/Baidu/ERNIE-Image-Turbo
• Nucleus-Image: https://huggingface.co/NucleusAI/Nucleus-Image
• HiDream-O1-Image: https://huggingface.co/HiDream-ai/HiDream-O1-Image
• Ideogram 4: https://github.com/ideogram-oss/ideogram4
• Boogu-Image: https://github.com/boogu-project/Boogu-Image
• Krea-2-Raw: https://huggingface.co/krea/Krea-2-Raw
• SenseNova-U1: https://github.com/OpenSenseNova/SenseNova-U1
• Mage-Flow: https://huggingface.co/collections/microsoft/mage
• Qwen-Image-2.1: https://huggingface.co/Qwen/Qwen-Image-2.1

Edit

• ChronoEdit-14B: https://huggingface.co/nvidia/ChronoEdit-14B-Diffusers
• Eigen-Banana-Qwen-Image-Edit: https://huggingface.co/eigen-ai-labs/eigen-banana-qwen-image-edit
• Qwen-Image-Edit-2509: https://huggingface.co/Qwen/Qwen-Image-Edit-2509
  • Upscale: https://huggingface.co/vafipas663/Qwen-Edit-2509-Upscale-LoRA
  • Multiple-angles: https://huggingface.co/dx8152/Qwen-Edit-2509-Multiple-angles
  • Multi-Angle-Lighting: https://huggingface.co/dx8152/Qwen-Edit-2509-Multi-Angle-Lighting
• LongCat-Image-Edit: https://huggingface.co/meituan-longcat/LongCat-Image-Edit
• Qwen-Image-Edit-2511: https://huggingface.co/Qwen/Qwen-Image-Edit-2511
  • Qwen-Image-Edit-2511-Upscale2K: https://huggingface.co/valiantcat/Qwen-Image-Edit-2511-Upscale2K
  • Qwen-Image-Edit-2511-Multiple-Angles-LoRA: https://huggingface.co/fal/Qwen-Image-Edit-2511-Multiple-Angles-LoRA
• FireRed-Image-Edit: https://huggingface.co/FireRedTeam/FireRed-Image-Edit-1.0
• JoyAI-Image-Edit: https://huggingface.co/jdopensource/JoyAI-Image-Edit

Harmonisierung

• GLM-Image: https://huggingface.co/zai-org/GLM-Image
• https://huggingface.co/black-forest-labs/FLUX.2-klein-4B
  • https://huggingface.co/black-forest-labs/FLUX.2-klein-9B
• DreamLite: https://github.com/ByteVisionLab/DreamLite
• SenseNova-U1: https://huggingface.co/sensenova/SenseNova-U1-8B-MoT-SFT

Ausbildung

• Ostris：https://github.com/ostris/ai-toolkit
• FlymyAI：https://github.com/FlyMyAI/flymyai-lora-trainer
• Nitro-T：https://github.com/AMD-AGI/Nitro-T
• (🔥) DiffSynth-Studio：https://github.com/modelscope/DiffSynth-Studio
• Musubi Tuner: https://github.com/kohya-ss/musubi-tuner
• SimpleTuner: https://github.com/bghira/SimpleTuner
• MS Training: https://www.modelscope.cn/aigc/modelTraining
• Finetune HunyuanImage-3.0: https://github.com/PhotonAISG/hunyuan-image3-finetune
• OneTrainer: https://github.com/Nerogar/OneTrainer
• Finetune LongCat-Image and Edit: https://github.com/meituan-longcat/LongCat-Image/tree/main/train_examples
• Flow-Factory: https://github.com/X-GenGroup/Flow-Factory
• UniRL: https://github.com/Tencent-Hunyuan/UniRL

Bewertung

• ULMEvalKit：https://github.com/ULMEvalKit/ULMEvalKit

Argumente

• TypemovieInfer: https://github.com/typemovie/TypemovieInfer

zurück nach oben

Suche

1. OpenSearch GPT: SearchGPT / Perplexity Klon, aber für Sie personalisiert.
2. MindSearchEin LLM-basiertes Multiagenten-Framework von Web Search Engine (wie Perplexity.ai Pro und SearchGPT).
3. nanoPerplexityAIDie einfachste Open-Source-Implementierung von perplexity.ai.
4. curiosityVersuchen Sie, eine Perplexity-ähnliche Benutzererfahrung zu erstellen.
5. MiniPerplxEine minimalistische KI-basierte Suchmaschine, die Ihnen hilft, Informationen im Internet zu finden.

zurück nach oben

Voice Speech

TTS

1. SpeechGPT-2.0-preview: https://github.com/OpenMOSS/SpeechGPT-2.0-preview
2. Moss-TTSD：https://github.com/OpenMOSS/MOSS-TTSD
3. Index-TTS：https://github.com/index-tts/index-tts
4. MegaTTS3：https://github.com/bytedance/MegaTTS3
5. F5-TTS：https://github.com/SWivid/F5-TTS
6. GPT-SoVITS：https://github.com/RVC-Boss/GPT-SoVITS
7. CosyVoice：https://github.com/FunAudioLLM/CosyVoice
8. Spark-TTS：https://github.com/SparkAudio/Spark-TTS
9. OpenVoice：https://github.com/myshell-ai/OpenVoice
10. Dia：https://github.com/nari-labs/dia
11. ChatTTS：https://github.com/2noise/ChatTTS
12. Fish Speech：https://github.com/fishaudio/fish-speech
13. Edge-TTS：https://github.com/rany2/edge-tts
14. Bark：https://github.com/suno-ai/bark
15. kokoro: https://github.com/hexgrad/kokoro
16. Higgs Audio V2: https://github.com/boson-ai/higgs-audio 【Training】
17. KittenTTS: https://github.com/KittenML/KittenTTS
18. ZipVoice: https://github.com/k2-fsa/ZipVoice
19. VyvoTTS: https://github.com/Vyvo-Labs/VyvoTTS
20. VibeVoice: https://github.com/microsoft/VibeVoice
21. Index-TTS-2: https://huggingface.co/IndexTeam/IndexTTS-2
22. FireRedTTS2: https://github.com/FireRedTeam/FireRedTTS2
23. VoxCPM: https://github.com/OpenBMB/VoxCPM/
24. Neutts-Air: https://github.com/neuphonic/neutts-air
25. Maya1: https://huggingface.co/maya-research/maya1
26. VibeVoice: https://huggingface.co/collections/microsoft/vibevoice
27. GLM-TTS: https://github.com/zai-org/GLM-TTS
28. Fun-CosyVoice3: https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512
29. Qwen3-TTS:https://huggingface.co/collections/Qwen/qwen3-tts
30. Ming-Omni-TTS: https://github.com/inclusionAI/Ming-omni-tts
31. VoxCPM2: https://huggingface.co/openbmb/VoxCPM2
32. OmniVoice: https://github.com/k2-fsa/OmniVoice
33. MOSS-TTS-v1.5: https://huggingface.co/OpenMOSS-Team/MOSS-TTS-v1.5
34. Higgs Audio v3 TTS: https://huggingface.co/bosonai/higgs-audio-v3-tts-4b
35. Confucius4-TTS: https://github.com/netease-youdao/Confucius4-TTS
36. Dia-1.6B: https://huggingface.co/nari-labs/Dia-1.6B-0626
37. FireRedTTS3: https://github.com/FireRedTeam/FireRedTTS3

STT/ASR

1. Kyutai: https://github.com/kyutai-labs/delayed-streams-modeling
2. Whisper: https://github.com/openai/whisper
3. Audio Flamingo 3: https://huggingface.co/nvidia/audio-flamingo-3
4. Voxtral: https://huggingface.co/mistralai/Voxtral-Mini-3B-2507
5. Step-Audio2: https://github.com/stepfun-ai/Step-Audio2
6. SoulX-Podcast: https://huggingface.co/collections/Soul-AILab/soulx-podcast
7. Omnilingual ASR: https://github.com/facebookresearch/omnilingual-asr
8. Fun-ASR: https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512
9. FunASR: https://github.com/modelscope/FunASR
10. SenseVoice: https://github.com/FunAudioLLM/SenseVoice
11. VibeVoice-ASR: https://huggingface.co/microsoft/VibeVoice-ASR
12. Qwen3-ASR: https://github.com/QwenLM/Qwen3-ASR
13. Mega-ASR: https://github.com/xzf-thu/Mega-ASR
14. MOSS-Transcribe-Diarize: https://huggingface.co/OpenMOSS-Team/MOSS-Transcribe-Diarize

Sprachinteraktion

1. Fun-Audio-Chat: https://huggingface.co/FunAudioLLM/Fun-Audio-Chat-8B
2. Chroma 1.0: https://huggingface.co/FlashLabs/Chroma-4B
3. AudioInteraction: https://huggingface.co/zhifeixie/AudioInteraction

zurück nach oben

Weltmodelle

Modell

• ShadowDancer: https://github.com/AlayaLab/ShadowDancer
• PhiZero: https://github.com/yaoyao-jpg/PhiZero
• Wonder: https://arxiv.org/pdf/2607.26037
• open-dreamer: https://github.com/next-state/open-dreamer
• Cosmos3-Edge: https://huggingface.co/nvidia/Cosmos3-Edge
• WorldWander: https://github.com/showlab/WorldWander
• Matrix-Game-3.5: https://github.com/Riemann-Dynamics/Matrix-Game-3.5
• ABot-World: https://github.com/amap-cvlab/ABot-World
• LingBot-World-V2: https://huggingface.co/collections/robbyant/lingbot-world-v2
• AlayaWorld: https://github.com/AlayaLab/AlayaWorld
• MoWorld: https://moxin-tech.github.io/moworld/
• Warp-as-History: https://github.com/yyfz/Warp-as-History
• MIRA: https://github.com/mira-wm/mira „Multiplayer
• ActWorld: https://interactwm.github.io/ActWorld/
• Sana-WM: https://nvlabs.github.io/Sana/WM/
• Cosmos-3: https://github.com/nvidia/cosmos
• DreamX-World-5B: https://huggingface.co/GD-ML/DreamX-World-5B
• DreamX-World-5B-Cam: https://modelscope.cn/models/GD-ML/DreamX-World-5B-Cam
• Astra: https://eternalevan.github.io/Astra-project/
• Yume-5B: https://huggingface.co/stdstu123/Yume-5B-720P
• LingBot-World: https://github.com/robbyant/lingbot-world
• HY-WorldPlay: https://huggingface.co/tencent/HY-WorldPlay
• Matrix-Game-3.0: https://huggingface.co/Skywork/Matrix-Game-3.0
• Matrix-Game-2.0: https://huggingface.co/Skywork/Matrix-Game-2.0
• Waypoint-1.5-1B: https://huggingface.co/Overworld/Waypoint-1.5-1B
• Hunyuan-GameCraft: https://hunyuan-gamecraft.github.io/
• AlayaWorld: https://github.com/AlayaLab/AlayaWorld
• WorldWander: https://github.com/showlab/WorldWander

Rahmen

• nano-world-model: https://github.com/simchowitzlabpublic/nano-world-model
• minWM: https://github.com/shengshu-ai/minWM
• stable-worldmodel: https://github.com/galilai-group/stable-worldmodel
• OpenWorldLib: https://github.com/OpenDCAI/OpenWorldLib
• BiWM: https://github.com/LynnReal-AI/BiWM

zurück nach oben

Lobster OpenClaw

1. MultiUserClaw: https://github.com/johnson7788/MultiUserClaw
2. ClawManager: https://github.com/Yuan-lab-LLM/ClawManager
3. Qclaw: https://github.com/qiuzhi2046/Qclaw
4. NEXU: https://github.com/nexu-io/nexu
5. OpenHanako: https://github.com/liliMozi/openhanako

zurück nach oben

Einheitliches Modell

Jetzt kommt das einheitliche Modell von理解+生成♪ Dreh in ♪理解+生成+编辑

• Emu-2：https://arxiv.org/abs/2312.13286
• Emu-3：https://arxiv.org/abs/2409.18869
• Emu-1：https://arxiv.org/abs/2307.05222
• Janus：https://github.com/deepseek-ai/Janus
• Janus-Pro：http://arxiv.org/abs/2508.05954
• show-o：https://arxiv.org/abs/2408.12528
• Any-GPT：https://arxiv.org/abs/2402.12226
• Next-GPT：https://arxiv.org/pdf/2309.05519.pdf
• CoDi：https://arxiv.org/abs/2305.11846
• Seed-X：https://arxiv.org/abs/2404.14396
• Dream-LLM：https://arxiv.org/abs/2309.11499
• Chameleon：https://arxiv.org/abs/2405.09818
• Spider：https://arxiv.org/abs/2411.09439
• MedViLaM：https://arxiv.org/abs/2409.19684
• VITRON：https://github.com/SkyworkAI/Vitron
• TokenFlow：https://github.com/ByteFlow-AI/TokenFlow
• OneDiffusion：https://github.com/lehduong/OneDiffusion
• MetaMorph: https://arxiv.org/abs/2412.14164
• LlamaFusion：https://arxiv.org/abs/2412.15188
• InstructSeg：https://arxiv.org/abs/2412.14006
• VILA-U：https://arxiv.org/abs/2409.04429
• Ullava: https://github.com/OPPOMKLab/u-LLaVA
• ILLUME: https://arxiv.org/abs/2412.06673
• Vitron:https://arxiv.org/abs/2412.19806
• SynerGen-VL：https://arxiv.org/abs/2412.09604
• Align Anything：https://arxiv.org/abs/2412.15838
• Mico：https://arxiv.org/abs/2406.09412
• OneLLM:https://arxiv.org/abs/2312.03700
• X-VILA:https://arxiv.org/abs/2405.19335
• OLA：https://arxiv.org/abs/2502.04328
• Transfusion: https://arxiv.org/abs/2408.11039
• JanusFlow: https://arxiv.org/abs/2411.07975
• HealthGPT：https://arxiv.org/abs/2502.09838 „Medizinisch
• BAGEL：https://arxiv.org/abs/2505.14683
• Qwen2.5-Omni：https://arxiv.org/abs/2503.20215
• X2I：https://arxiv.org/abs/2503.06134
• Bifrost-1：https://arxiv.org/abs/2508.05954
• OmniGen2：https://arxiv.org/abs/2506.18871
• UniPic：https://github.com/SkyworkAI/UniPic
• VeOmni：https://github.com/ByteDance-Seed/VeOmni „Ausbildung
• NextStep-1：https://arxiv.org/abs/2508.10711
• UniUGG: https://arxiv.org/abs/2508.11952 „3D
• Omni-Video：https://arxiv.org/abs/2507.06119
• OneCAT：https://arxiv.org/abs/2509.03498
• Lumina-DiMOO：https://github.com/Alpha-VLLM/Lumina-DiMOO
• UAE：https://github.com/PKU-YuanGroup/UAE
• RecA：https://arxiv.org/abs/2509.07295
• UniLM：https://arxiv.org/abs/1905.03197
• Hyper-Bagel：https://arxiv.org/abs/2509.18824
• Ming-UniVision：https://arxiv.org/abs/2510.06590
• EditVerse：https://arxiv.org/abs/2509.20360
• LightBagel: https://arxiv.org/abs/2510.22946
• DreamLLM: https://arxiv.org/abs/2309.11499
• X-Omni: https://arxiv.org/abs/2507.22058
• Ming-flash-omni-Preview: https://huggingface.co/inclusionAI/Ming-flash-omni-Preview
• Omni-View: https://arxiv.org/abs/2511.07222
• NExT-OMNI: https://arxiv.org/abs/2510.13721
• Uni-MoE-2.0-Omni: https://arxiv.org/abs/2511.12609
• LongCat-Flash-Omni: https://huggingface.co/meituan-longcat/LongCat-Flash-Omni
• ShapeLLM-Omni: https://arxiv.org/abs/2506.01853
• UniGen-1.5: https://arxiv.org/abs/2511.14760
• Jodi: https://arxiv.org/abs/2505.19084
• UniModel: https://arxiv.org/abs/2511.16917
• TUNA: https://arxiv.org/abs/2512.02014
• HBridge: https://arxiv.org/abs/2511.20520
• EMMA: https://arxiv.org/abs/2512.04810
• OpenOmni: https://github.com/RainBowLuoCS/OpenOmni
• Ming-Flash-Omni: https://arxiv.org/abs/2510.24821
• STAR: https://github.com/mm-mvr/star
• InternVL-U: https://github.com/OpenGVLab/InternVL-U
• LongCat-Next: https://github.com/meituan-longcat/LongCat-Next
• SenseNova-U1: https://huggingface.co/sensenova/SenseNova-U1-8B-MoT-SFT
• TUNA-2: https://github.com/facebookresearch/tuna-2
• Lance: https://github.com/bytedance/Lance
• JoyAI-VL-Interaction: https://arxiv.org/abs/2606.14777 „Interaktion
• MOSS-VL-Realtime: https://huggingface.co/OpenMOSS-Team/MOSS-VL-Realtime „Interaktion
• SenseNova-Vision: https://huggingface.co/collections/sensenova/sensenova-vision
• Mage-VL: https://huggingface.co/microsoft/Mage-VL „Interaktion

zurück nach oben

Buch

1. Große Sprachmodelle: Von der Theorie zur Praxis
2. Großes Sprachmodell
3. 《动手学大模型Dive into LLMs》
4. Mach es, AI Agent.
5. 《Build a Large Language Model (From Scratch)》
6. 《多模态大模型》
7. Generatives KI-Handbuch: Eine Roadmap für Lernressourcen
8. Deep Learning-Verhalten
9. 《Illustriertes Buch, um mehr über Transformers & LLMs zu erfahren
10. Aufbau von LLMs für die Produktion: Verbesserung der LLM-Fähigkeiten und Zuverlässigkeit mit Prompting, Fine-Tuning und RAG
11. 《大型语言模型实战指南：应用实践与场景落地》
12. 《Hands-On Large Language Models》
13. Natural Language Processing: Theorie und Praxis große Modelle
14. Intensives Lernen durch Arbeit
15. LLM Einführung in Entwickler
16. 《大模型基础》
17. Zähmt LLMs: Ein praktischer Leitfaden für LLM-Fälle mit Open Source Software
18. Grundlagen große Sprachmodelle
19. Textbook on reinforcement learning from human feedback
20. Große Modellalgorithmen: Enhanced Learning, Aligning und Alignment
21. 《The Smol Training Playbook: The Secrets to Building World-Class LLMs》
22. 《从零开始构建智能体》——从零开始的智能体原理与实践教程
23. 《Hands-On Modern RL》

zurück nach oben

Kurs

LLM Resources Hub

1. Stanford:
2. General AI für alle
3. LLM Offiziere von Kursen
4. ACL 2023 Tutorial: Abrufbasierte Sprachmodelle und Anwendungen
5. llm-course: Course to get into Large Language Models (LLMs) with roadmaps and Colab notebooks.
6. 微软: Generative AI for Beginners
7. Microsoft: State of GPT
8. HuggingFace NLP Course
9. Qinghua, NLP, Liu Zhiyuan Team Model Open
10. Stanford: Transformers United V4
11. Stanford:
12. Princeton COS 597G (Herbst 2022)
13. Johns Hopkins CS 601.471/671 NLP: Selbst abonnierte Modelle
14. Lee Hong Yi GenAI Kurs
15. openai-cookbook: Beispiele und Anleitungen zur Verwendung der OpenAI API.
16. Hands on llmsErfahren Sie mehr über LLM, LLMOps und Vektor DBS kostenlos durch die Gestaltung, Schulung und Bereitstellung eines Echtzeit-Finanzberater-LM-Systems.
17. Universität von Waterloo
18. Mistral: Erste Schritte mit Mistral
19. Stanford: Transformers United V4
20. Coursera: Chatgpt Application Tip Projekt
21. LangGPT: Befähigen Sie jeden, ein prompter Experte zu werden!
22. mistralai-cookbook
23. Einführung in Generative AI 2024 Spring
24. build nanoGPT: Video + Code-Vortrag zum Aufbau von nanoGPT von Grund auf neu.
25. LLM101nLasst uns einen Storyteller bauen.
26. Knowledge Graphs für RAG
27. LLMs From Scratch (Datawhale Version)
28. OpenRAG
29. Weg zu AGI
30. Andrej Karpathy - Neuronale Netzwerke: Null zum Helden
31. Interaktive Visualisierung von Transformer
32. andysingal/llm-course
33. Klasse LM
34. Google Advanced: Generative KI für Entwickler Lernpfad
35. Anthropics：Prompt Engineering Interactive Tutorial
36. LLMsBook
37. Große Sprachmodelllagenten
38. Cohere LLM Universität
39. LLMs und Transformatoren
40. Smol VisionRezepte zum Schrumpfen, Optimieren und Anpassen von hochmodernen Vision-Modellen.
41. Multimodale RAG: Chat mit Videos
42. LLMs Interview Note
43. RAG++: Vom POC zur Produktion: Fortgeschrittener RAG-Kurs.
44. Gewichte & Biases AI AkademieFinetuning, Aufbau mit LLMs, Strukturierten Outputs und mehr LLM-Kursen.
45. Prompt Engineering & AI Tutorials & Ressourcen
46. Lernen Sie RAG von Grund auf – Python AI Tutorial von einem LangChain Engineer
47. LLM-Bewertung: Ein kompletter Kurs
48. HuggingFace Learn
49. Andrej Karpathy: Deep Dive in LLMs wie ChatGPT
50. LLM技术科普
51. CS25: Transformers United V5
52. RAG_TechniquesDieses Repository zeigt verschiedene fortschrittliche Techniken für Systeme der Retrieval-Augmented Generation (RAG). RAG-Systeme kombinieren den Informationsabruf mit generativen Modellen, um genaue und kontextbezogene Antworten zu liefern.
53. 100+ LLM & RL Algorithm Maps | 原创 LLM / RL 100+原理图
54. Verstärkung des Lernens große Sprachmodelle
55. NanoChatDas beste chatgpt, das $100 kaufen kann.
56. Stanfords CS146S: Die moderne Softwareentwicklung
57. Verstärkung des Lernens große Sprachmodelle

zurück nach oben

Tutorisch

1. Erfahren Sie, wie Sie große Modelle anwenden.
2. AI Developer Channel
3. Aktivitäten in der Nähe von Five Mile Tea Club
4. Station B: Kim Yu Cheney
5. YTB:AI viel
6. Station B: Penny.
7. Prompt Engineering Guide
8. YTB: AI Hyperarea
9. Station B: TechBeat Artificial Intelligence Community
10. Station B: Huang Huiga
11. Station B: Tiefes Studium der Verarbeitung natürlicher Sprache
12. LLM Visualisierung
13. Kenne den Steinmann
14. Station B: Blacky spricht über KI.
15. Seite B: Fahrzeugingenieur an der Vorderwand
16. Station B: Ai Wen Cheol
17. Große Sprachmodelle (LLMs) mit Colab Notebooks
18. YTB:IBM Technologie
19. YTB: Unify Reading Paper Group
20. Chip Huyen
21. How Much VRAM
22. Blog: Wissenschaftlicher Raum (Swordlin)
23. YTB: Hyung Won Chung
24. Blog: Tejaswi kashyap
25. Blog: Kleiner Blog
26. Wissen: ybq
27. W&B Artikel
28. Huggingface Blog
29. Blog: GbyAI
30. Blog: mlabonne
31. LLM-Action
32. Blog: Lil’Log (OponAI)
33. Station B: Mao Yuen
34. AI-Guide-and-Demos
35. cnblog: siebens Kind
36. Implementation of all RAG techniques in a simpler way.
37. Theoretisches Machine Learning: Ein Handbuch für alle
38. 鱼皮的 Vibe Coding 零基础教程

zurück nach oben

Papier

[!NOTE] 🤝Huggingface Daily Papers、Kühlpapier、ML Papers Explained

1. Hermes-3-Technischer Bericht
2. Die Llama 3 Herde der Models
3. Qwen Technischer Bericht
4. Qwen2 Technischer Bericht
5. Qwen2-vl Technischer Bericht
6. DeepSeek LLM: Skalierung von Open-Source-Sprachmodellen mit Longtermism
7. DeepSeek-V2: Ein starkes, wirtschaftliches und effizientes Mixture-of-Experten Sprachmodell
8. Baichuan 2: Offene große angelegte Sprachmodelle
9. DataComp-LM: Auf der Suche nach der nächsten Generation von Trainingssets für Sprachmodelle
10. OLMo: Beschleunigung der Wissenschaft von Sprachmodellen
11. MAP-Neo: Hochfähige und transparente bilinguale große Sprachmodellreihe
12. Chinesisch Tiny LLM: Vorschulung eines chinesisch-zentrischen Großsprachmodells
13. Phi-3 Technischer Bericht: Ein hochfähiges Sprachmodell lokal auf Ihrem Telefon
14. Jamba-1.5: Hybrid-Transformator-Mamba-Modelle im Maßstab
15. Jamba: Ein hybrides Transformer-Mamba-Sprachmodell
16. Lehrbücher sind alles, was Sie brauchen
17. Die Macht des Daten-Tsunami entfesseln: Eine umfassende Umfrage zur Datenbewertung und -auswahl für das Instruction Tuning von Sprachmodellen data
18. OLMoE: Open Mixture-of-Experten Sprachmodelle
19. Model Merging Paper
20. Technischer Bericht Baichuan-Omni
21. 1.5-Pints Technischer Bericht: Vorschulung in Tagen, nicht Monate - Ihr Sprachmodell lebt von Qualitätsdaten
22. Technischer Bericht über Baichuan Alignment
23. Hunyuan-Large: Ein Open-Source-MoE-Modell mit 52 Milliarden aktivierten Parametern von Tencent
24. Molmo und PixMo: Offene Gewichte und offene Daten für hochmoderne multimodale Modelle
25. TÜLU 3: Grenzen im offenen Sprachmodell nach dem Training verschieben
26. Phi-4 Technischer Bericht
27. Erweiterung der Leistungsgrenzen von Open-Source-Multimodalmodellen mit Modell-, Daten- und Testzeitskalierung
28. Qwen2.5 Technischer Bericht
29. YuLan-Mini: Ein Open Data-effizientes Sprachmodell
30. Eine Einführung in die Vision-Sprache-Modellierung
31. DeepSeek V3 Technical Report
32. 2 OLMo 2 Furious
33. Technischer Bericht von Yi-Lightning
34. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
35. KIMI K1.5
36. Eagle 2: Aufbau von Post-Training-Datenstrategien von Grund auf für Frontier Vision-Sprachmodelle
37. Qwen2.5-VL Technischer Bericht
38. Baichuan-M1: Die medizinische Leistungsfähigkeit große Sprachmodelle vorantreiben
39. Vorhersagbare Skala: Teil I - Optimales Hyperparameter-Skalierungsgesetz im Vortraining für große Sprachmodelle
40. SkyLadder: Besseres und schnelleres Vortraining über Kontextfensterplanung
41. Qwen2.5-Omni technical report
42. Jeder FLOP zählt: Skalierung eines 300B Mixture-of-Experten LING LLM ohne Premium-GPUs
43. Gemma 3 Technischer Bericht
44. Open-Qwen2VL: Compute-Efficient Pre-Training von total offenen multimodalen LLMs auf akademische Ressourcen
45. Pangu Ultra: Die Grenzen dichter große Sprachmodelle auf Ascend-NPUs verschieben
46. MiMo: Unlocking the Reasoning Potential of Language Model – From Pretraining to Posttraining
47. Phi-4 Technischer Bericht
48. Llama-Nemotron: Effiziente Denkmodelle
49. Qwen3 Technical Report
50. MiMo-VL Technischer Bericht
51. ERNIE Technical Report
52. Kwai Keye-VL Technischer Bericht
53. Kimi K2 Technical Report
54. KAT-V1: Kwai-AutoThink Technischer Bericht
55. Step3
56. SAIL-VL2 Technischer Bericht
57. LLaVA-OneVision-1.5: Vollständiger Täter Rahmen für demokratisiertes multimodales Training 85M-Midtraining Data 22M Instruct Data
58. Olmo3Charting einen Pfad durch den Modellfluss, um Open-Source-KI zu führen. Website
59. OpenMMReasoner
60. Qwen3-VL Technischer Bericht

zurück nach oben

Gemeinschaft

1. Die Magic Community.
2. HuggingFace
3. ModelScope
4. WiseModel
5. OpenCSG

zurück nach oben

Modellkontextprotokoll MCP

1. Ist es MCP? Was ist die Technologie? Ein Video versteht alles über MCP. Windows-Konfiguration MCP, Cursor, Cline mit MCP
2. Was ist das MCP? Warum die nächste Generation von KI-Standards? MCP Prinzipien + Entwicklungspraxis! Verwendung Sie MCP in Cursor, Claude, Cline, um AI wirklich automatisiert zu machen!
3. Schreiben Sie MCP von Null und veröffentlichen Sie es online. Es ist so einfach! Cheng

MCP-Tool-Aggregation:

1. smithery.ai
2. mcp.so
3. modelcontextprotocol/servers
4. mcp.ad
5. pulsemcp.com
6. awesome-mcp-servers
7. glama.ai
8. mcp.composio.dev
9. awesome-mcp-list
10. mcpo
11. FastMCP
12. sharemcp.cn
13. mcpstore.co
14. FastAPI-MCP
15. modelscope/mcp
16. mcpm.sh

zurück nach oben

Fertigkeiten

1. Agent Skills (Claude Skills) detaillierte Planung, ein ausgezeichnetes Video.

2. OpenClaw

3. awesome-claude-skills

4. Anthropics Skills

5. Skillsmp.

6. awesome-claude-skills

7. ClawHub

8. Aquakulturmarkt

9. Fähigkeiten. Sh

10. awesome-agent-skills

11. llmbase

12. awesome-openclaw-skills

13. claude-scientific-skills

14. LLMs-Universal-Life-Science-and-Clinical-Skills-

15. SkillHub

16. LabClaw

17. Modellierungsfähigkeiten

18. Agent Skill

19. mmx-cli

20. Cocoloop-Hub

zurück nach oben

Offen o1

[!NOTE]

Offene Technologie ist unser ewiges Streben.

1. https://github.com/atfortes/Awesome-LLM-Reasoning
2. https://github.com/hijkzzz/Awesome-LLM-Strawberry
3. https://github.com/wjn1996/Awesome-LLM-Reasoning-Openai-o1-Survey
4. https://github.com/srush/awesome-o1
5. https://github.com/open-thought/system-2-research
6. https://github.com/ninehills/blog/issues/121
7. https://github.com/OpenSource-O1/Open-O1
8. https://github.com/GAIR-NLP/O1-Journey
9. https://github.com/marlaman/show-me
10. https://github.com/bklieger-groq/g1
11. https://github.com/Jaimboh/Llamaberry-Chain-of-Thought-Reasoning-in-AI
12. https://github.com/pseudotensor/open-strawberry
13. https://huggingface.co/collections/peakji/steiner-preview-6712c6987110ce932a44e9a6
14. https://github.com/SimpleBerry/LLaMA-O1
15. https://huggingface.co/collections/Skywork/skywork-o1-open-67453df58e12f6c3934738d0
16. https://huggingface.co/collections/Qwen/qwq-674762b79b75eac01735070a
17. https://github.com/SkyworkAI/skywork-o1-prm-inference
18. https://github.com/RifleZhang/LLaVA-Reasoner-DPO
19. https://github.com/ADaM-BJTU
20. https://github.com/ADaM-BJTU/OpenRFT
21. https://github.com/RUCAIBox/Slow_Thinking_with_LLMs
22. https://github.com/richards199999/Thinking-Claude
23. https://huggingface.co/AGI-0/Art-v0-3B
24. https://huggingface.co/deepseek-ai/DeepSeek-R1
25. https://huggingface.co/deepseek-ai/DeepSeek-R1-Zero
26. https://github.com/huggingface/open-r1
27. https://github.com/hkust-nlp/simpleRL-reason
28. https://github.com/Jiayi-Pan/TinyZero
29. https://github.com/baichuan-inc/Baichuan-M1-14B
30. https://github.com/EvolvingLMMs-Lab/open-r1-multimodal
31. https://github.com/open-thoughts/open-thoughts
32. Mini-R1: https://www.philschmid.de/mini-deepseek-r1
33. LLaMA-Berry: https://arxiv.org/abs/2410.02884
34. MCTS-DPO: https://arxiv.org/abs/2405.00451
35. OpenR: https://github.com/openreasoner/openr
36. https://arxiv.org/abs/2410.02725
37. LLaVA-o1: https://arxiv.org/abs/2411.10440
38. Marco-o1: https://arxiv.org/abs/2411.14405
39. OpenAI o1 report: https://openai.com/index/deliberative-alignment
40. DRT-o1: https://github.com/krystalan/DRT-o1
41. Virgo：https://arxiv.org/abs/2501.01904
42. HuatuoGPT-o1：https://arxiv.org/abs/2412.18925
43. o1 roadmap：https://arxiv.org/abs/2412.14135
44. Mulberry：https://arxiv.org/abs/2412.18319
45. https://arxiv.org/abs/2412.09413
46. https://arxiv.org/abs/2501.02497
47. Search-o1:https://arxiv.org/abs/2501.05366v1
48. https://arxiv.org/abs/2501.18585
49. https://github.com/simplescaling/s1
50. https://github.com/Deep-Agent/R1-V
51. https://github.com/StarRing2022/R1-Nature
52. https://github.com/Unakar/Logic-RL
53. https://github.com/datawhalechina/unlock-deepseek
54. https://github.com/GAIR-NLP/LIMO
55. https://github.com/Zeyi-Lin/easy-r1
56. https://github.com/jackfsuia/nanoRLHF/tree/main/examples/r1-v0
57. https://github.com/FanqingM/R1-Multimodal-Journey
58. https://github.com/dhcode-cpp/X-R1
59. https://github.com/agentica-project/deepscaler
60. https://github.com/ZihanWang314/RAGEN
61. https://github.com/sail-sg/oat-zero
62. https://github.com/TideDra/lmm-r1
63. https://github.com/FlagAI-Open/OpenSeek
64. https://github.com/SwanHubX/ascend_r1_turtorial
65. https://github.com/om-ai-lab/VLM-R1
66. https://github.com/wizardlancet/diagnosis_zero
67. https://github.com/lsdefine/simple_GRPO
68. https://github.com/brendanhogan/DeepSeekRL-Extended
69. https://github.com/Wang-Xiaodong1899/Open-R1-Video
70. https://github.com/lsdefine/simple_GRPO
71. https://github.com/Open-Reasoner-Zero/Open-Reasoner-Zero
72. https://github.com/lucasjinreal/Namo-R1
73. https://github.com/hiyouga/EasyR1
74. https://github.com/Fancy-MLLM/R1-Onevision
75. https://github.com/tulerfeng/Video-R1
76. https://huggingface.co/qihoo360/TinyR1-32B-Preview
77. https://github.com/facebookresearch/swe-rl
78. https://github.com/turningpoint-ai/VisualThinker-R1-Zero
79. https://github.com/yuyq96/R1-Vision
80. https://github.com/sungatetop/deepseek-r1-vision
81. https://huggingface.co/qihoo360/Light-R1-32B
82. https://github.com/Liuziyu77/Visual-RFT
83. https://github.com/Mohammadjafari80/GSM8K-RLVR
84. https://github.com/ModalMinds/MM-EUREKA
85. https://github.com/joey00072/nanoGRPO
86. https://github.com/PeterGriffinJin/Search-R1
87. https://openi.pcl.ac.cn/PCL-Reasoner/GRPO-Training-Suite
88. https://github.com/dvlab-research/Seg-Zero
89. https://github.com/HumanMLLM/R1-Omni
90. https://github.com/OpenManus/OpenManus-RL
91. https://arxiv.org/pdf/2503.07536
92. https://github.com/Osilly/Vision-R1
93. https://github.com/LengSicong/MMR1
94. https://github.com/phonism/CP-Zero
95. https://github.com/SkyworkAI/Skywork-R1V
96. https://arxiv.org/abs/2503.13939v1
97. https://github.com/0russwest0/Agent-R1
98. https://github.com/MetabrainAGI/Awaker2.5-R1
99. https://github.com/LG-AI-EXAONE/EXAONE-Deep
100. https://github.com/qiufengqijun/open-r1-reprod
101. https://github.com/SUFE-AIFLM-Lab/Fin-R1
102. https://github.com/sail-sg/understand-r1-zero
103. https://github.com/baibizhe/Efficient-R1-VLLM
104. https://github.com/hkust-nlp/simpleRL-reason
105. https://arxiv.org/abs/2502.19655
106. https://arxiv.org/abs/2503.21620v1
107. https://arxiv.org/abs/2503.16081
108. https://github.com/ShadeCloak/ADORA
109. https://github.com/appletea233/Temporal-R1
110. https://github.com/inclusionAI/AReaL
111. https://github.com/lzhxmu/CPPO
112. https://arxiv.org/abs/2503.23829
113. https://github.com/TencentARC/SEED-Bench-R1
114. https://github.com/McGill-NLP/nano-aha-moment
115. https://github.com/VLM-RL/Ocean-R1
116. https://github.com/OpenGVLab/VideoChat-R1
117. https://github.com/ByteDance-Seed/Seed-Thinking-v1.5
118. https://github.com/SkyworkAI/Skywork-OR1
119. https://github.com/MoonshotAI/Kimi-VL
120. https://arxiv.org/abs/2504.08600
121. https://github.com/ZhangXJ199/TinyLLaVA-Video-R1
122. https://arxiv.org/abs/2504.11914
123. https://github.com/policy-gradient/GRPO-Zero
124. https://github.com/linkangheng/PR1
125. https://github.com/jiangxinke/Agentic-RAG-R1
126. https://github.com/shangshang-wang/Tina
127. https://github.com/aliyun/qwen-dianjin
128. https://github.com/RAGEN-AI/RAGEN
129. https://github.com/XiaomiMiMo/MiMo
130. https://github.com/yuanzhoulvpi2017/nano_rl
131. https://huggingface.co/a-m-team/AM-Thinking-v1
132. https://huggingface.co/Intelligent-Internet/II-Medical-8B
133. https://github.com/CSfufu/Revisual-R1

zurück nach oben

Offen o3

1. Mini-o3: https://arxiv.org/abs/2509.07969
2. Simple-o3: https://arxiv.org/abs/2508.12109
3. Thyme: https://arxiv.org/abs/2508.11630
4. Open o3 Video: https://arxiv.org/abs/2510.20579

zurück nach oben

Kleines Sprachmodell

1. https://github.com/jiahe7ay/MINI_LLM
2. https://github.com/jingyaogong/minimind
3. https://github.com/DLLXW/baby-llama2-chinese
4. https://github.com/charent/ChatLM-mini-Chinese
5. https://github.com/wdndev/tiny-llm-zh
6. https://github.com/Tongjilibo/build_MiniLLM_from_scratch
7. https://github.com/jzhang38/TinyLlama
8. https://github.com/AI-Study-Han/Zero-Chatgpt
9. https://github.com/loubnabnl/nanotron-smol-cluster ()使用Cosmopedia训练cosmo-1b)
10. https://github.com/charent/Phi2-mini-Chinese
11. https://github.com/allenai/OLMo
12. https://github.com/keeeeenw/MicroLlama
13. https://github.com/Chinese-Tiny-LLM/Chinese-Tiny-LLM
14. https://github.com/leeguandong/MiniLLaMA3
15. https://github.com/Pints-AI/1.5-Pints
16. https://github.com/zhanshijinwat/Steel-LLM
17. https://github.com/RUC-GSAI/YuLan-Mini
18. https://github.com/Om-Alve/smolGPT
19. https://github.com/skyzh/tiny-llm
20. https://github.com/qibin0506/Cortex
21. https://github.com/huggingface/picotron
22. https://github.com/Alic-Li/Mini_RWKV_7
23. https://huggingface.co/Nanbeige/Nanbeige4-3B-Thinking-2511 „23T Tokens Preparatory Training Model
24. https://github.com/stepfun-ai/SteptronOss
25. https://github.com/huggingface/nanowhale
26. https://github.com/OpenBMB/ForgeTrain
27. https://github.com/vukrosic/glm-5.3-flash-from-scratch

zurück nach oben

Kleines Video Sprachmodell

1. https://github.com/jingyaogong/minimind-v
2. https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/train_llava
3. https://github.com/AI-Study-Han/Zero-Qwen-VL
4. https://github.com/Coobiw/MPP-LLaVA
5. https://github.com/qnguyen3/nanoLLaVA
6. https://github.com/TinyLLaVA/TinyLLaVA_Factory
7. https://github.com/ZhangXJ199/TinyLLaVA-Video
8. https://github.com/Emericen/tiny-qwen
9. https://github.com/merveenoyan/smol-vision
10. https://github.com/huggingface/nanoVLM
11. https://github.com/GeeeekExplorer/nano-vllm
12. https://github.com/ritabratamaiti/AnyModal
13. https://github.com/yujunhuics/Reyes
14. https://github.com/Victorwz/Open-Qwen2VL
15. https://github.com/jingyaogong/minimind-o

zurück nach oben

Fähigkeiten Tipps

1. Was wir aus einem Jahr des Aufbaus mit LLMs gelernt haben (Teil I)
2. Was wir aus einem Jahr des Aufbaus mit LLMs gelernt haben (Teil II)
3. Was wir aus einem Jahr des Bauens mit LLMs gelernt haben (Teil III): Strategie
4. LLM
5. LLMs für Textklassifikation: Ein Leitfaden für überwachtes Lernen
6. Unüberwachte Textklassifizierung: Kategorisieren Sie natürliche Sprache mit LLMs
7. Textklassifizierung mit LLMs: Eine Zusammenfassung der besten Methoden
8. LLM Preisgestaltung
9. Uncensor any LLM with abliteration
10. Tiny LLM Universe
11. Zero-Chatgpt
12. Zero-Qwen-VL
13. finetune-Qwen2-VL
14. MPP-LLaVA
15. build_MiniLLM_from_scratch
16. Tiny LLM zh
17. MiniMind: 3 Stunden, um vollständig von 0 ein GPT mit einem kleinen Parameter von nur 26M zu trainieren, mit einem Minimum von 2G-Grafikkarten zur Vernunft.
18. LLM-TravelWeiteres Verständnis, Erforschung und Realisierung von Technologien, Prinzipien und Anwendungen im Zusammenhang mit großen Modellen
19. Wissensdestillation: LLMs mit synthetischen Daten unterrichten
20. Teil 1: Methoden zur Anpassung großer Sprachmodelle
21. Teil 2: Feinabstimmung oder Nicht-Feinabstimmung
22. Teil 3: Feinabstimmung: Fokussierung auf effektive Datensätze
23. Reader-LM: Kleine Sprachmodelle zum Reinigen und Konvertieren von HTML im Markdown
24. LLMs bewerben sich, um ein Jahr Herz zu bauen
25. LLM Ausbildung - Pretrain
26. pytorch-llama: LLaMA 2 von Grund auf in PyTorch implementiert.
27. Preference Optimization for Vision Language Models with TRL 【support model】
28. Fine-tuning visual language models using SFTTrainer 【docs】
29. Ein visueller Leitfaden zur Mischung von Experten (MoE)
30. Rollenspiel in großen Sprachmodellen wie ChatGPT
31. Distributed Training GuideBest Practices & Guides zum Schreiben von verteiltem Pytorch-Trainingscode.
32. Chat Templates
33. Top 20+ RAG Interviewfragen
34. LLM-Dojo 开源大模型学习场所，使用简洁且易阅读的代码构建模型训练框架
35. o1 ist kein Chat-Modell (und darum geht es).
36. Beam Search schnell verstehen und Codeauflösung
37. Diversifizierung der Textgenerierung auf Basis der Transformator()-Methode: Parameterbedeutung und algorithmisches Verständnis Read
38. The Ultra-Scale Playbook: Training LLMs on GPU Clusters

zurück nach oben

Mitwirkender:

Wenn Sie denken, dass dieses Projekt Ihnen helfen wird, zitieren Sie bitte:

@misc{wang2024llm,
      title={awesome-LLM-resourses},
      author={Rongsheng Wang},
      year={2024},
      publisher = {GitHub},
      journal = {GitHub repository},
      howpublished = {\url{https://github.com/WangRongsheng/awesome-LLM-resourses}},
}