Aller au contenu
HagiCodeAwesome Site

Selectionner la langue

Langue actuelle: Français

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.

Un résumé des meilleures ressources du modèle de grande langue au monde.

Éliminer les projets qui sont vraiment précieux, pas seulement le braconnage. Tête

[!TIP] Si vous avez raison,Intérêt pour les ensembles de données médicales/grands modèles/multimodals/ressources liées à l’évaluationVeuillez nous contacter. Awesome-AI4Med - Oui.

Nous serons amis.

Section intitulée « Nous serons amis. »

packyapi.ai PackyCode est un fournisseur de services de transit d'API stable et efficace, avec un mot d'accès au modèle courant. Nom de domaine harmonisé, clé unifiée, changement de profil intelligent, 97% de disponibilité. Le RMB 1:1, pas de taux de change, pas de bornes de frais, premier rabais pour les nouveaux utilisateurs + 1$ d'expérience gratuite, avec des rabais multigroupes aussi bas que 2 plis pour fournir l'autoroute Codex/Claude.


Cliquez pour enregistrer ce lien et démarrez immédiatement !

Infistar.cc Merci, Infistar.cc, d'avoir sponsorisé ce projet.


:: Un canal modèle stable et efficace : les prix sont aussi bas que 0,30 % pour les canaux officiels, les modèles sont multiples et transparents, les nœuds multiples sont redondants et la limite de débit, 429 et les effets de coupure sont effectivement réduits;
• Accès unique aux modèles traditionnels : une API Key peut accéder aux modèles traditionnels tels que Claude, ChatGPT, Gemini, Kimi, GLM, DeepSeek, couvrant la génération de texte, la génération d’images, le raisonnement multimodulaire;
Compatibilité des pratiques en matière de ressources en entrepôt : génération multimodulaire, programmation assistée, raisonnement de modèle ou développement MCP/Agent, Infistar peut être utilisé directement en amont comme OpenAI, Claude, Gemini, apprentissage en faisant, et zéro seuil d’exécution d’éléments et de tutoriels;


• Avantages exclusifs: par [le]Promouvoir exclusivement les liensL’inscription obtiendra un montant équivalent de 5 $ / Première charge exclusive, accès rapide et commencer à appeler!

APIMart Merci à APIMart pour avoir sponsorisé ce projet ! APIMart est une plateforme API à bas prix axée sur la génération d'images/vidéos AI, GPT-Image-2 est aussi bas que $0.006 et $1 peut montrer 160+. Photos, vidéos, un ensemble de marcheurs, API, emplois pour obtenir des ID, callbacks, exécuter beaucoup de fois, changer des modèles sans changer de codes. Payer sur une base de volume, pas de frais mensuels, par ce biais. Enregistrer le lien L'inscription est disponible.

Sommaire

Section intitulée « Sommaire »

Recommandation

Section intitulée « Recommandation »

Podcast

Section intitulée « Podcast »

Données

Section intitulée « Données »

[!NOTE]

Nom ici数据, mais cela ne fournit pas un ensemble de données spécifiques, mais plutôt un moyen de traiter l’acquisition de données à grande échelle

  1. AotoLabel: Etiqueter, nettoyer et enrichir les ensembles de données texte avec des LLM.
  2. LabelLLM: La plateforme d’Annotation de Données Open Source.
  3. data-juicer: Un système unique de traitement des données pour rendre les données de meilleure qualité, plus juteuses et plus digestibles pour les LLM !
  4. OmniParser: une bibliothèque native Golang ETL en streaming et transformer pour CSV, JSON, XML, EDI, texte, etc.
  5. MinerU (🔥): MinerU est un outil d’extraction de données unique, open-source, de haute qualité, prend en charge l’extraction PDF/webpage/e-book.
  6. PDF-Extract-Kit: Une boîte à outils complète pour l’extraction de contenu PDF de haute qualité.
  7. Parsera: Librairie légère pour le grattage de sites web avec LLMs.
  8. Sparrow: Sparrow est une solution open-source innovante pour l’extraction et le traitement de données efficaces à partir de différents documents et images.
  9. Docling: Préparez vos documents pour l’IA gen.
  10. GOT-OCR2.0: Modèle OCR.
  11. LLM Decontaminator: Repenser le benchmark et la contamination pour les modèles linguistiques avec des échantillons rephrasés.
  12. DataTrove: DataTrove est une bibliothèque à traiter, filtrer et dédoubler les données texte à très grande échelle.
  13. llm-swarm: Générer de grands ensembles de données synthétiques comme Cosmopedia.
  14. Distilabel: Distilabel est un cadre pour les données synthétiques et les retours d’IA pour les ingénieurs qui ont besoin de pipelines rapides, fiables et évolutives sur la base de documents de recherche vérifiés.
  15. Common-Crawl-Pipeline-Creator: Le créateur d’oléoduc commun.
  16. Tabled: Détecter et extraire les tables pour marquer et csv.
  17. Zerox: Zero shot pdf OCR avec gpt-4o-mini.
  18. DocLayout-YOLO: Améliorer l’analyse de la présentation des documents grâce à des données synthétiques diversifiées et à une perception adaptative globale à locale.
  19. TensorZero: améliorer les LLM par l’expérience.
  20. Promptwright: Générer de grandes données synthétiques en utilisant un LLM local.
  21. pdf-extract-api: API d’extraction et d’analyse de document (PDF) utilisant les modèles modernes OCR + Ollama.
  22. pdf2htmlEX: Convertir PDF en HTML sans perdre de texte ou de format.
  23. Extractous: Extraction rapide et efficace de données non structurées. Ecrit en rouille avec des reliures pour de nombreuses langues.
  24. MegaParse: File Parser optimisé pour l’ingestion de LLM sans perte.
  25. MarkItDown: Outil Python pour convertir des fichiers et des documents de bureau en Markdown.
  26. datasketch: datasketch vous donne des structures probabilistes de données qui peuvent traiter et rechercher une très grande quantité de données super rapidement, avec peu de perte de précision.
  27. semhash: outil léger et flexible pour dédoubler les ensembles de données en utilisant la similitude sémantique.
  28. ReaderLM-v2: un modèle de langage de paramètre 1.5B qui convertit le HTML brut en balisage ou JSON joliment formaté.
  29. Bespoke Curator: Curation des données pour l’extraction des données post-formation et structurée.
  30. LangKit: Une boîte à outils open-source pour la surveillance des grands modèles linguistiques (LLM). Extraire les signaux des appels et réponses, en assurant la sûreté et la sécurité.
  31. Curator: Synthetic Data curation for post-formation et extraction structurée de données.
  32. olmOCR: Une boîte à outils pour la formation de modèles linguistiques pour travailler avec des documents PDF dans la nature.
  33. Easy Dataset (🔥): Un outil puissant pour créer des ensembles de données pour LLM.
  34. BabelDOC: PDF traduction scientifique papier et bibliothèque de comparaison bilingue.
  35. Dolphin: Parsage d’image de document par l’intermédiaire d’un ancêtre hétérogénique.
  36. EasyDistill: Distillation facile des connaissances pour les grands modèles linguistiques.
  37. ContextGem: un cadre LLM libre et ouvert qui facilite radicalement l’extraction de données et d’informations structurées à partir de documents.
  38. OCRFlux: une boîte à outils multimodale légère mais puissante qui fait progresser de façon significative la conversion PDF-to-Markdown, excellant dans la gestion complexe de la disposition, l’analyse de table compliquée et la fusion de contenu de pages croisées.
  39. DataFlow: Préparation facile des données avec les derniers opérateurs et pipelines basés sur les LLM.
  40. DatasetLoom (multimodal): Une plateforme pour la construction et l’évaluation de séries de données intelligentes pour la formation de grands modèles multimodulaires.
  41. Logics-Parsing
  42. DeepSeek-OCR
  43. PaddleOCR-VL
  44. Chandra: un modèle OCR très précis qui convertit les images et les PDF en HTML/Markdown/JSON structuré tout en préservant les informations de mise en page.
  45. HunyuanOCR: un VLM expert de bout en bout de l’OCR propulsé par l’architecture multimodale native de Hunyuan.
  46. DeepSeek-OCR-2: Flux visuel causal.
  47. PaddleOCR-VL-1.5 (🔥): Vers un VLM multi-tâche 0.9B pour le parsing de documents in-the-Wild robuste.
  48. GLM-OCR: un modèle OCR multimodal pour la compréhension complexe des documents, construit sur l’architecture encodeur-décodeur GLM-V.

Fine tuning

Section intitulée « Fine tuning »
  1. LLaMA-Factory (🔥): Unifier l’efficacité Fine-Tuning de 100 + LLM.
  2. 360-LLaMA-Factory: Unifier l’efficacité Fine-Tuning de 100 + LLMs. (ajouter Séquence Parallélisme pour soutenir la formation longue contexte)
  3. unsloth (🔥): 2-5X plus rapide 80% moins mémoire LLM réglage fin.
  4. TRL: Formation au renforcement des transformateurs.
  5. FireflyFirefly : Outil de formation de modèles pour soutenir la formation de dizaines de grands modèles
  6. Xtuner: Une boîte à outils efficace, flexible et complète pour les grands modèles à réglage fin.
  7. torchtune: Bibliothèque Native-PyTorch pour LLM Fine-tuning.
  8. Swift: Utilisez PEFT ou Full-parameter pour affiner 200+ LLMs ou 15+ MLLMs.
  9. AutoTrain: Une nouvelle façon de former, d’évaluer et de déployer automatiquement des modèles d’apprentissage automatique de pointe.
  10. OpenRLHF: Un cadre RLHF facile à utiliser, évolutif et haute performance (support 70B+ réglage complet & LoRA & Mixtral & KTO).
  11. Ludwig: Cadre à code bas pour la construction de LLMs personnalisés, réseaux neuronaux et autres modèles d’IA.
  12. mistral-finetune: Une base de code légère qui permet un réglage précis et efficace de la mémoire des modèles Mistral.
  13. aikit: Finissez, construisez et déployez facilement les LLM open-source !
  14. H2O-LLMStudio: H2O LLM Studio - un cadre et pas de code GUI pour les LLMs de réglage fin.
  15. LitGPT: Prétrainer, finetune, déployer 20 LLMs sur vos propres données. Utilise des techniques de pointe : attention éclair, FSDP, 4 bits, LoRA, et plus encore.
  16. LLMBox: Une bibliothèque complète pour la mise en œuvre des LLM, comprenant un pipeline de formation unifié et une évaluation complète du modèle.
  17. PaddleNLP: Bibliothèque NLP et LLM facile à utiliser et puissante.
  18. workbench-llamafactory: Il s’agit d’un projet NVIDIA AI Workbench qui démontre un workflow de développement de modèle de bout en bout en utilisant Llamafactory.
  19. OpenRLHF: Un cadre RLHF facile à utiliser, évolutif et performant (70B+ PPO Full Tuning & Iterative DPO & LoRA & Mixtral).
  20. TinyLLaVA Factory: Un cadre de modèles multimodaux à petite échelle.
  21. LLM-Foundry: Code de formation LLM pour les modèles de fondation Databricks.
  22. lmms-finetune: Une base de code unifiée pour le réglage fin (plein, lora) de grands modèles multimodal, supportant lava-1.5, qwen-vl, lava-interleave, lava-next-video, phi3-v etc.
  23. Simplifine: Siplifine vous permet d’invoquer le réglage fin de LLM avec une seule ligne de code en utilisant n’importe quel jeu de données Hugging Face ou modèle.
  24. Transformer Lab: Application Open Source pour LLM avancé Ingénierie : interagissez, entraînez, perfectionnez et évaluez les grands modèles linguistiques sur votre ordinateur.
  25. Liger-Kernel: Amandes efficaces de Triton pour la formation LLM.
  26. ChatLearnUn cadre de formation flexible et efficace pour l’alignement à grande échelle.
  27. nanotron: Formation 3D-parallélisme modèle de langage minimaliste.
  28. Proxy Tuning: Tuning Language Models by Proxy.
  29. Effective LLM Alignment: Boîte à outils d’alignement LLM efficace.
  30. Autotrain-advanced
  31. Meta Lingua: une base de codes maigre, efficace et facile à trouver pour la recherche de LLM.
  32. Vision-LLM Alignemnt: Ce dépôt contient le code pour SFT, RLHF et DPO, conçu pour les LLM basés sur la vision, y compris les modèles LLaVA et LLaMA-3.2-vision.
  33. finetune-Qwen2-VL: Démarrage rapide pour le réglage fin ou la poursuite du modèle Qwen2-VL pré-train.
  34. Online-RLHF: Une recette pour RLHF en ligne et DPO itérative en ligne.
  35. InternEvo: un cadre de formation léger ouvert vise à soutenir la préformation des modèles sans avoir besoin d’importantes dépendances.
  36. veRL (🔥): L’apprentissage du renforcement du moteur Volcan pour LLM.
  37. Axolotl: Axolotl est conçu pour fonctionner avec les fichiers de configuration YAML qui contiennent tout ce dont vous avez besoin pour préprocéder un jeu de données, former ou affiner un modèle, exécuter l’inférence ou l’évaluation du modèle, et bien plus encore.
  38. Oumi: Tout ce dont vous avez besoin pour construire des modèles de fondation de pointe, de bout en bout.
  39. Kiln: L’outil le plus simple pour affiner les modèles LLM, la production de données synthétiques et la collaboration sur les ensembles de données.
  40. DeepSeek-671B-SFT-Guide: Une solution open-source pour le réglage complet des paramètres de DeepSeek-V3/R1 671B, incluant le code complet et les scripts de la formation à l’inférence, ainsi que quelques expériences et conclusions pratiques.
  41. MLX-VLM: MLX-VLM est un paquet pour l’inférence et le réglage fin des modèles de langage de vision (VLM) sur votre Mac en utilisant MLX.
  42. RL-Factory: Formez votre modèle Agent via notre cadre facile et efficace.
  43. RM-Gallery: Une plateforme modèle de récompense unique.
  44. ART: agents multi-étapes de pluie pour les tâches réelles avec GRPO. Donnez à vos agents une formation en cours d’emploi.
  45. LMMs-Engine: Un cadre simple, de n’importe quelle modalité pour la préformation et le réglage fin. Penché, flexible et construit pour la recherche.
  46. dLLM: une bibliothèque qui unifie la formation et l’évaluation des modèles linguistiques de diffusion, apportant transparence et reproductibilité à l’ensemble de la filière de développement. diffusion
  47. Miles: un cadre d’apprentissage renforcé orienté vers l’entreprise pour les charges de travail post-formation et production à grande échelle du Ministère de l’éducation.
  48. Skills: une collection de pipelines pour améliorer les “compétences” des grands modèles linguistiques (LLM).
  49. Twinkle: un cadre léger de formation client-serveur conçu avec des interfaces modulaires à haute cohésion.
  50. NeMo AutoModelPytorch Distribué bibliothèque de formation native pour les LLM/VLMs avec support OOTB Hugging Face.
  51. VeOmni: Scaling Any Modality Model Training with Model-Centric Distribued Recipe Zoo.
  52. Soup: CLI d’une config pour la formation post-formation LLM (SFT/DPO/GRPO/KTO/ORPO). La couche de streaming entraîne un modèle 8B sur un GPU portable de 4 Go en streaming la base gelée de RAM hôte un couche décodeur à la fois.

Agent RL

Section intitulée « Agent RL »

Inférence

Section intitulée « Inférence »
  1. ollama (🔥): Se lever et fonctionner avec la Lama 3, Mistral, Gemma, et d’autres grands modèles de langage.
  2. Open WebUI: WebUI convivial pour les LLM (anciennement Ollama WebUI).
  3. Text Generation WebUI: Une interface web Gradio pour les modèles de grande langue. Prend en charge les transformateurs, GPTQ, AWQ, EXL2, lama.cpp (GGUF), modèles Llama.
  4. Xinference: Une bibliothèque puissante et polyvalente conçue pour servir le langage, la reconnaissance vocale et les modèles multimodaux.
  5. LangChain: Construire des applications de raisonnement contextuelles.
  6. LlamaIndex: Un cadre de données pour vos applications LLM.
  7. lobe-chat: un cadre de chat LLM/AI open-source et moderne. Prend en charge les fournisseurs multi-IA, multi-modales (Vision/TTS) et le système plugin.
  8. TensorRT-LLM: TensorRT-LLM fournit aux utilisateurs une API Python facile à utiliser pour définir de grands modèles de langage (LLM) et construire des moteurs TensorRT qui contiennent des optimisations de pointe pour effectuer une inférence efficace sur les GPU NVIDIA.
  9. vllm (🔥): Un moteur d’inférence et de service haut débit et efficace en mémoire pour les LLM.
  10. LlamaChat: Dialoguez avec vos modèles LLaMA préférés dans une application macOS native.
  11. NVIDIA ChatRTX: ChatRTX est une application de démonstration qui vous permet de personnaliser un modèle de grande langue GPT (LLM) connecté à votre propre contenu – docs, notes ou autres données.
  12. Studio LM: Découvrez, téléchargez et lancez des LLM locaux.
  13. chat-with-mlx: Dialoguez avec vos données nativement sur Apple Silicon en utilisant le cadre MLX.
  14. Prix LLM: Trouvez rapidement l’API pour votre budget ! Utilisez notre outil gratuit pour accéder instantanément aux derniers prix des meilleurs fournisseurs.
  15. Open Interpreter: Une interface de langage naturel pour les ordinateurs.
  16. Chat-ollama: Un chatbot open source basé sur des LLM. Il soutient un large éventail de modèles linguistiques et de gestion de la base de connaissances.
  17. chat-ui: Base de code source ouverte alimentant l’application HuggingChat.
  18. MemGPT: Créez des agents LLM avec une mémoire à long terme et des outils personnalisés.
  19. koboldcpp: Une façon simple d’exécuter différents modèles GGML et GGUF avec l’interface utilisateur de KoboldAI.
  20. LLMFarm: lama et autres grands modèles de langage sur iOS et MacOS hors ligne en utilisant la bibliothèque GGML.
  21. enchanted: Enchanted est l’application iOS et macOS pour discuter avec des modèles de langue privés tels que Llama2, Mistral ou Vicuna en utilisant Ollama.
  22. Flowise: Faites glisser et déposez l’interface utilisateur pour créer votre flux LLM personnalisé.
  23. Jan: Jan est une alternative open source à ChatGPT qui fonctionne 100% hors ligne sur votre ordinateur. Prise en charge de plusieurs moteurs (lama.cpp, TensorRT-LLM).
  24. LMDeploy: LMDeploy est une boîte à outils pour la compression, le déploiement et le service des LLM.
  25. RouteLLM: Un cadre pour servir et évaluer les routeurs LLM - économisez les coûts LLM sans compromettre la qualité !
  26. MInferenceÀ propos Pour accélérer l’inférence des LLM de long-contexte, calculez l’attention de façon approximative et dynamique, ce qui réduit la latence d’inférence jusqu’à 10x pour le pré-remplissage sur un A100 tout en maintenant la précision.
  27. Mem0: La couche mémoire pour l’IA personnalisée.
  28. SGLang (🔥): SGLang est un autre cadre de service rapide pour les grands modèles de langage et les modèles de langage de vision.
  29. AirLLM: AirLLM optimise l’utilisation de la mémoire d’inférence, permettant aux grands modèles de langue 70B de faire une inférence sur une seule carte GPU de 4 Go sans quantification, distillation et taille. Et vous pouvez exécuter 405B Llama3.1 sur 8Go vram maintenant.
  30. LLMHub: LLMHub est une plateforme de gestion légère conçue pour rationaliser le fonctionnement et l’interaction avec différents modèles de langage (LLMs).
  31. YuanChat
  32. LiteLLM (🔥): Appelez toutes les API LLM en utilisant le format OpenAI [Bedrock, Huggingface, VertexAI, TogetherAI, Azure, OpenAI, Groq etc.]
  33. GuideLLM: GuideLLM est un outil puissant pour évaluer et optimiser le déploiement de grands modèles de langage (LLM).
  34. LLM-Engines: Un moteur d’inférence unifié pour les grands modèles de langage (LLM) comprenant des modèles open-source (VLLM, SGLang, Together) et des modèles commerciaux (OpenAI, Mistral, Claude).
  35. OARC: ollama agent roll cage (OARC) est un agent de python local qui fusionne les modèles d’élocution Coqui-TTS, les classificateurs Keras, la vision Llava, la reconnaissance Whisper, et plus encore pour créer un agent de chatbot unifié pour l’automatisation locale et personnalisée.
  36. g1: Utiliser Llama-3.1 70b sur Groq pour créer des chaînes de raisonnement semblables à o1.
  37. MemoryScope: MemoryScope fournit aux chatbots LLM des capacités de mémoire à long terme puissantes et flexibles, offrant un cadre pour renforcer ces capacités.
  38. OpenLLM: Exécutez n’importe quel LLM open-source, comme Llama 3.1, Gemma, comme paramètre d’API compatible OpenAI dans le cloud.
  39. Infinity: La base de données AI-native construite pour les applications LLM, offrant une recherche hybride incroyablement rapide d’intégration dense, d’intégration clairsemée, de tenseur et de texte intégral.
  40. optillm: un proxy d’inférence compatible avec l’API OpenAI qui implémente plusieurs techniques de pointe qui peuvent améliorer la précision et les performances des LLM.
  41. LLaMA Box: implémentation du serveur d’inférence LLM basé sur lama.cpp.
  42. ZhiLight: Un moteur d’accélération d’inférence hautement optimisé pour Llama et ses variantes.
  43. DashInfer: DashInfer est un moteur d’inférence LLM natif qui vise à offrir des performances de premier plan dans l’industrie au sommet de différentes architectures matérielles.
  44. LocalAI: L’alternative libre, Open Source à OpenAI, Claude et d’autres. Auto-accueillant et local-premier. Remplacement drop-in pour OpenAI, fonctionnant sur du matériel de qualité consommateur. Pas de GPU requis.
  45. ktransformers: Un cadre flexible pour l’optimisation des inférences LLM de pointe.
  46. SkyPilot: Exécuter des tâches d’IA et de batch sur n’importe quel infra (Kubernetes ou 14+ nuages). Obtenez une exécution unifiée, des économies de coûts et une haute disponibilité GPU via une interface simple.
  47. Chitu: Cadre d’inférence haute performance pour les grands modèles linguistiques, axé sur l’efficacité, la flexibilité et la disponibilité.
  48. TokenSwift: D’heures à minutes : Accélération sans perte de la génération ultra longue séquence.
  49. Cherry Studio (🔥): un client de bureau qui prend en charge plusieurs fournisseurs LLM, disponibles sur Windows, Mac et Linux.
  50. Shimmy: Serveur d’inférence Rust sans Python — compatible OpenAI-API. GGUF + SafeTensors, échange de modèles chauds, découverte automatique, binaire unique.
  51. LlamaBarn: Lancez des LLM locaux sur votre Mac avec une simple application de barre de menu.
  52. Parallax: un cadre de service de modèle distribué qui vous permet de construire votre propre grappe d’IA n’importe où.
  53. xLLM: Un moteur à inférence haute performance pour LLM, optimisé pour divers accélérateurs d’IA.
  54. Rapid-MLX: Serveur local d’inférence LLM compatible OpenAI pour Apple Silicon, 2-4x plus rapide qu’Ollama.
  55. TokenSpeed: un moteur d’inférence LLM de vitesse de lumière conçu pour les charges de travail d’agents, avec des performances de niveau TensorRT-LLM et une convivialité de niveau vLLM. Notre objectif est d’être le moteur d’inférence le plus performant pour les charges de travail d’agents de production.
  56. FreeToken: Débloquez l’intelligence de classe datacenter sur le matériel que vous possédez déjà.

Évaluation

Section intitulée « Évaluation »
  1. lm-evaluation-harness: Un cadre pour l’évaluation à petite échelle des modèles linguistiques.
  2. opencompass (🔥): OpenCompass est une plateforme d’évaluation LLM qui supporte une large gamme de modèles (Llama3, Mistral, InternLM2, GPT-4, LLaMa2, Qwen, GLM, Claude, etc.) plus de 100 ensembles de données.
  3. llm-comparator: LLM Comparator est un outil interactif de visualisation des données pour évaluer et analyser côte à côte les réponses LLM.
  4. EvalScope (🔥)
  5. Poissons: Une trousse légère pour le suivi et l’évaluation des applications LLM.
  6. MixEval: Dériver la Sagesse de la foule à partir des mélanges LLM Benchmark.
  7. Evaluation guidebook: Si vous vous êtes déjà demandé comment vous assurer qu’un LLM fonctionne bien sur votre tâche spécifique, ce guide est pour vous !
  8. Ollama Benchmark: LLM Benchmark pour le débit via Ollama (LLM locaux).
  9. VLMEvalKit: Outil d’évaluation open-source de grands modèles de langage de vision (LVLM), support ~100 VLM, 40 points de repère.
  10. AGI-Eval
  11. EvalScope: Un cadre rationalisé et personnalisable pour une évaluation efficace des grands modèles et une analyse comparative des performances.
  12. DeepEval: un cadre d’évaluation LLM simple à utiliser et ouvert, pour l’évaluation et l’essai de systèmes de modèles en grand langage.
  13. Lighteval: Lighteval est votre boîte à outils tout-en-un pour évaluer les LLM sur plusieurs moteurs.
  14. QwQ/eval: QwQ est la série de modèles de raisonnement développée par l’équipe Qwen, Alibaba Cloud.
  15. Evalchemy: Une boîte à outils unifiée et facile à utiliser pour l’évaluation des modèles de langue post-formation.
  16. MathArena: Évaluation des LLM sur les derniers concours de mathématiques.
  17. YourBench: Un cadre de génération de repères dynamiques.
  18. MedEvalKit: Un cadre d’évaluation médicale unifié.
  19. OpenJudge: Un cadre unifié pour l’évaluation globale et les récompenses de qualité.

Expérience

Section intitulée « Expérience »
  1. LM Arena
  2. Arène de design
  3. Vals AI evaluation
  4. Nombre de quatre

Base de connaissances RAG

Section intitulée « Base de connaissances RAG »
  1. AnythingLLM: l’application tout-en-un AI pour tout LLM avec des capabilites RAG et AI Agent.
  2. MaxKB: Système de question et de réponse basé sur le modèle LLM Big Language. Ouvrez la boîte pour soutenir l’intégration rapide dans des opérations tierces.
  3. RAGFlow: Un moteur RAG open source (Retrieval-Augmented Generation) basé sur une compréhension approfondie des documents.
  4. Dify: Une plateforme de développement d’applications LLM open-source. L’interface intuitive de Dify combine flux de travail AI, pipeline RAG, capacités d’agents, gestion de modèles, fonctionnalités d’observation et plus encore, vous laissant passer rapidement du prototype à la production.
  5. FastGPT: Une plate-forme basée sur les connaissances, construite sur le LLM, offre des capacités de traitement de données hors-la-boîte et d’invocation de modèles, permet l’orchestration de flux de travail par la visualisation de flux.
  6. Langchain-ChatchatBase de connaissances locale basée sur différents grands modèles de langue tels que Langchain et ChatGM Réponse
  7. QAnything: Question et réponse basées sur Tout.
  8. Quivr: Un assistant de productivité personnel (RAG) Clavardez avec vos docs (PDF, CSV, …) & applications utilisant Langchain, GPT 3.5 / 4 turbo, Privé, Anthropique, VertexAI, Ollama, LLMs, Groq que vous pouvez partager avec les utilisateurs ! Local & Private alternative à OpenAI GPTs & ChatGPT alimenté par la génération augmentée par récupération.
  9. RAG-GPT: RAG-GPT, tirant parti de la technologie LLM et RAG, s’inspire des bases de connaissances personnalisées pour fournir des réponses contextuelles pertinentes à un large éventail de questions, assurant une récupération rapide et précise de l’information.
  10. Verba: Chatbot Retrieval Augmented Generation (RAG) propulsé par Weaviate.
  11. FlashRAG: Une boîte à outils Python pour une recherche efficace du RAG.
  12. GraphRAG: Système modulaire basé sur des graphes Retrieval-Augmented Generation (RAG).
  13. LightRAG: LightRAG aide les développeurs à construire et optimiser les pipelines Retriever-Agent-Generator.
  14. GraphRAG-Ollama-UI: GraphRAG en utilisant Ollama avec l’interface utilisateur Gradio et les fonctionnalités supplémentaires.
  15. nano-GraphRAG: Une implémentation simple et facile à mettre en œuvre.
  16. RAG Techniques: Ce dépôt présente diverses techniques avancées pour les systèmes de génération retrieval-augmented (RAG). Les systèmes RAG combinent la recherche de l’information avec des modèles génériques pour fournir des réponses précises et contextuelles riches.
  17. ragas: Cadre d’évaluation de vos pipelines Retrieval Augmented Generation (RAG).
  18. kotaemon: Une interface RAG propre et personnalisable pour discuter avec vos documents. Construit avec les utilisateurs finaux et les développeurs à l’esprit.
  19. RAGapp: La façon la plus simple d’utiliser Agentic RAG dans n’importe quelle entreprise.
  20. TurboRAG: Accelerating Retrieval-Augmented Generation with Precompated KV Caches for Chunked Text.
  21. LightRAG: Génération simple et rapide.
  22. TEN: le Next-Gen AI-Agent Framework, le premier cadre d’agents d’IA multimodaux en temps réel au monde.
  23. AutoRAG: outil RAG AutoML pour trouver automatiquement un pipeline RAG optimal pour vos données.
  24. KAG: KAG est un cadre de production amélioré par le savoir basé sur le moteur OpenSPG, qui est utilisé pour créer des services rigoureux de prise de décisions et de recherche d’informations améliorés par le savoir.
  25. Fast-GraphRAG: RAG qui s’adapte intelligemment à votre cas d’utilisation, données et requêtes.
  26. Tiny-GraphRAG
  27. DB-GPT GraphRAG: DB-GPT GraphRAG intègre à la fois des graphiques de connaissances triplets et des graphiques de structure de documents tout en tirant parti des mécanismes communautaires et de recherche de documents pour améliorer les capacités RAG, en obtenant des performances comparables tout en ne consommant que 50% des jetons requis par GraphRAG de Microsoft. Voir le DB-GPT Manuel d’utilisation du graphique RAG pour plus de détails.
  28. Chonkie: La bibliothèque de chunking RAG non-non-sens qui est légère, rapide à la foudre, et prête à répondre à vos textes.
  29. RAGLite: RAGLite est une boîte à outils Python pour Retrieval-Augmented Generation (RAG) avec PostgreSQL ou SQLite.
  30. KAG: KAG est un cadre logique de raisonnement et de récupération guidé par la forme basé sur le moteur OpenSPG et les LLM.
  31. CAG: CAG exploite les fenêtres contextuelles étendues des grands modèles de langage modernes (LLM) en préchargeant toutes les ressources pertinentes dans le contexte du modèle et en encaissant ses paramètres d’exécution.
  32. MiniRAG: un cadre de génération extrêmement simple, augmenté par la récupération, qui permet aux petits modèles d’obtenir de bonnes performances RAG grâce à l’indexation hétérogène des graphiques et à une récupération légère améliorée par la topologie.
  33. XRAG: un cadre de benchmarking conçu pour évaluer les composantes fondamentales des systèmes de génération avancée Retrieval-Augmented (RAG).
  34. Rankify: Une boîte à outils Python complète pour la récupération, le ré-ranking et la génération augmentée de récupération.
  35. RAG-Anything: Système RAG tout-en-un.

Intelligent

Section intitulée « Intelligent »
  1. AutoGen: AutoGen est un cadre qui permet le développement d’applications LLM en utilisant plusieurs agents qui peuvent converser entre eux pour résoudre des tâches. AutoGen AIStudio
  2. CrewAI: Cadre pour orchestrer le jeu de rôle, agents autonomes de l’IA. En favorisant l’intelligence collaborative, CrewAI permet aux agents de travailler ensemble de façon transparente et de s’attaquer à des tâches complexes.
  3. Coz
  4. AgentGPT: Assemblez, configurez et déployez des Agents AI autonomes dans votre navigateur.
  5. XAgent: Un agent LLM autonome pour la résolution des tâches complexes.
  6. MobileAgent: La puissante famille d’assistants à l’opération des appareils mobiles.
  7. Lagent: Un cadre léger pour la construction d’agents LLM.
  8. Qwen-Agent: Cadre d’agent et applications basées sur Qwen2, avec appel de fonction, interprète de code, RAG, et extension Chrome.
  9. LienAIPlate-forme unique pour le corps intelligent d’IA
  10. Baidu APPBuilder
  11. agentUniverse: agentUniverse est un cadre multi-agents LLM qui permet aux développeurs de construire facilement des applications multi-agents. De plus, par l’entremise de la communauté, ils peuvent échanger et partager des pratiques de modèles dans différents domaines.
  12. LazyLLMOutil de développement pour la construction à faible code de grandes applications multiAgent
  13. AgentScope: Commencez à construire des applications multi-agents alimentées par LLM de manière plus simple.
  14. AgentField: Plan de contrôle open-source pour la construction et l’exploitation d’agents d’IA comme les API à l’échelle, avec routage, mémoire, observabilité, identité, auth, et contrôles politiques.
  15. MoA: Mixture of Agents (MoA) est une nouvelle approche qui met à profit les forces collectives de multiples LLM pour améliorer la performance, atteindre des résultats de pointe.
  16. Agently: Cadre de développement des applications des agents d’IA.
  17. OmAgent: Un cadre d’agent multimodal pour résoudre des tâches complexes.
  18. Tribe: Aucun outil de code pour construire et coordonner rapidement des équipes multi-agents.
  19. CAMEL: Premier cadre multi-agents LLM et une communauté open-source dédiée à la recherche de la loi d’échelle des agents.
  20. PraisonAI: L’application PraisonAI combine AutoGen et CrewAI ou des cadres similaires en une solution à code bas pour la construction et la gestion de systèmes LLM multi-agents, mettant l’accent sur la simplicité, la personnalisation et une collaboration humaine-agent efficace.
  21. IoA: Un cadre open-source pour les agents d’IA collaboratifs, permettant à des agents divers et distribués de s’associer et de s’attaquer à des tâches complexes grâce à une connectivité Internet.
  22. llama-agentic-system : Composants agents des API Llama Stack.
  23. Agent Zero: Agent Zero n’est pas un cadre agentique prédéfini. Il est conçu pour être dynamique, en croissance organique et l’apprentissage que vous utilisez.
  24. Agents: Un cadre ouvert pour les agents linguistiques autonomes centrés sur les données.
  25. AgentScope: Commencez à construire des applications multi-agents alimentées par LLM de manière plus simple.
  26. FastAgency: Le moyen le plus rapide d’apporter des workflows multi-agents à la production.
  27. Swarm: Cadre pour construire, orchestrer et déployer des systèmes multi-agents. Géré par l’équipe OpenAI Solutions. Cadre expérimental.
  28. Agent-S: un cadre agentique ouvert qui utilise des ordinateurs comme un humain.
  29. PydanticAI: Agent Framework / shim pour utiliser Pydantic avec des LLM.
  30. Agentarium: cadre open-source pour la création et la gestion de simulations peuplées d’agents de l’IA.
  31. smolagents: une bibliothèque pour agents. Les agents écrivent du code python pour appeler les outils et orchestrent d’autres agents.
  32. Cooragent: Cooragent est une communauté de collaboration d’agents d’IA.
  33. Agno: Agno est une bibliothèque légère pour construire des Agents avec mémoire, connaissance, outils et raisonnement.
  34. Suna: Généraliste de l’IA Agent.
  35. rowboat: Laissez l’IA construire des workflows multi-agents pour vous en quelques minutes.
  36. EvoAgentX: Construire un écosystème autonome d’agents de l’IA.
  37. ii-agent: un nouveau cadre open-source pour construire et déployer des agents intelligents.
  38. OWL: Optimisé apprentissage de la main-d’œuvre pour l’assistance générale multi-agents dans l’automatisation des tâches dans le monde réel.
  39. OpenManus: Pas de forteresse, terrain purement ouvert. OpenManus arrive.
  40. JoyAgent-JDGenie: Le premier produit générique multi-intelligence à haut niveau de l’industrie avec un faible degré d’achèvement.
  41. coze-studio: Une plateforme de développement d’agents d’IA avec des outils visuels tout-en-un, simplifiant la création d’agents, le débogage et le déploiement comme jamais auparavant.
  42. OxyGent: Un cadre avancé Python qui permet aux développeurs de construire rapidement des systèmes intelligents prêts à la production.
  43. LazyCraft: LazyCraft est une plateforme de développement et de gestion d’applications AIAgent basée sur LazyLM conçue pour aider les développeurs à construire et publier rapidement de grandes applications modèles à bas seuil, à faible coût.
  44. OpenAgents: Réseaux d’agents de l’IA pour une collaboration ouverte.
  45. SandBox: All-in-One Sandbox for AI Agents qui combine Browser, Shell, File, MCP et VSCode Server dans un seul conteneur Docker.
  46. DeepAnalyze: Premier LLM agentique pour la science autonome des données, soutenant des tâches spécifiques de données (préparation, analyse, modélisation, visualisation et perspicacité des données) et des recherches approfondies axées sur les données (rapports de recherche de niveau analyste).
  47. Astron Agent: Plate-forme de workflow agentique de qualité Enterprise et commerciale pour la construction de SuperAgents de nouvelle génération.
  48. Youtu-Agent: Un cadre d’agent simple mais puissant qui fournit des modèles open-source.
  49. MiroThinker: un modèle d’agent de recherche open-source, conçu pour le raisonnement augmenté par les outils et la recherche d’informations dans le monde réel, qui vise à correspondre à l’expérience de recherche approfondie d’OpenAI Deep Research et Gemini Deep Research.
  50. Nexent: Une plate-forme de code zéro pour les agents autogénérants – pas d’orchestration, pas de glisser-déposer complexe requis, en utilisant un langage pur pour développer tout agent que vous voulez.
  51. Yunjue-Agent: Un système d’agent auto-évolution in-situ entièrement reproductible et zéro-démarrage pour les tâches ouvertes.
  52. Hindsight: Mémoire à long terme de pointe pour les agents d’IA par Vectorize. Open-source, auto-installable, avec des intégrations pour LangChain, CrewAI, LlamaIndex, MCP, et plus encore.
  53. AgentsMesh: La plate-forme de main-d’œuvre des agents de l’IA. Orchestration multi-agents auto-installable avec stations de travail distantes (AgentPods), PTY sandbox + git worktree isolement, collaboration d’agents sur canaux, Kanban intégré et serveur MCP par pod. Supporte Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode.
  54. BitFun: environnement de développement d’agents open-source avec une application de bureau Rust/Tauri et CLI pour le codage, la recherche, le travail de bureau, le navigateur et l’automatisation de bureau, extensible par MCP, Compétences et agents personnalisés.

Utilisation

Section intitulée « Utilisation »
  1. pi: boîte à outils d’agents d’IA : API LLM unifiée, boucle d’agents, TUI, agent de codage CLI.
  2. DeepSeek Harness: Tout est un Plugin.
  3. OpenSquilla: un agent d’IA microkernel efficace en jeton.
  4. PenguinHarness: Votre Constructeur d’Agent Automatique, directement sur votre bureau / serveur.
  5. FrontierAgent: une suite ouverte d’agents, un produit terminal et une suite d’évaluation pour la recherche de longue date et le travail en fichiers.

Recherche

Section intitulée « Recherche »

Écrire

Section intitulée « Écrire »

Projet révisé

Section intitulée « Projet révisé »

PPT

Section intitulée « PPT »

Autres

Section intitulée « Autres »

Une science automatique.

Section intitulée « Une science automatique. »

Code

Section intitulée « Code »
  1. Cloi CLI: Agent de débogage local qui fonctionne dans votre terminal.
  2. Dévin
  3. v0
  4. Nouveau
  5. Maudit
  6. Planche à voile
  7. cline
  8. Trae
  9. MGX
  10. Roo Code
  11. Kilo Code
  12. Code d’augmentation
  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

Vidéo Vidéo

Section intitulée « Vidéo Vidéo »

Modèle

Section intitulée « Modèle »

[!NOTE] C’est vrai.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
  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 (🔥)

Modifier

Section intitulée « Modifier »
  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

Formation

Section intitulée « Formation »

Arguments

Section intitulée « Arguments »

Outils pratiques

Section intitulée « Outils pratiques »
  • PySceneDetect: Python et OpenCV-based scene cut/transition de détection programme & bibliothèque.
  • DOVER: Évaluation de la qualité vidéo des contenus générés par l’utilisateur à partir de perspectives esthétiques et techniques.
  • ArtiMuse: Évaluation de l’esthétique de l’image finie avec notation conjointe et compréhension de niveau expert.

Image

Section intitulée « Image »

Générer

Section intitulée « Générer »

Modifier

Section intitulée « Modifier »

Harmonisation

Section intitulée « Harmonisation »

Formation

Section intitulée « Formation »

Évaluation

Section intitulée « Évaluation »

Arguments

Section intitulée « Arguments »

Recherche

Section intitulée « Recherche »
  1. OpenSearch GPT: SearchGPT / Clone Perplexité, mais personnalisé pour vous.
  2. MindSearch: Un cadre multi-agents basé sur LLM du moteur de recherche Web (comme Perplexity.ai Pro et SearchGPT).
  3. nanoPerplexityAI: L’implémentation open-source la plus simple de perplexity.ai.
  4. curiosity: Essayez de construire une expérience utilisateur de type Perplexité.
  5. MiniPerplx: Un moteur de recherche minimaliste à moteur d’IA qui vous aide à trouver des informations sur Internet.

Voix

Section intitulée « Voix »

TTS

Section intitulée « 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 C’est-à-direTrainingC’est-à-dire
  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

Section intitulée « 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

Interaction vocale

Section intitulée « Interaction vocale »
  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

Modèles mondiaux

Section intitulée « Modèles mondiaux »

Modèle

Section intitulée « Modèle »

Cadre

Section intitulée « Cadre »

Lobster OpenClaw

Section intitulée « 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

Modèle unifié

Section intitulée « Modèle unifié »

Maintenant le modèle unifié vient de理解+生成♪ Se transformer en ♪理解+生成+编辑

Livre

Section intitulée « Livre »
  1. Grands modèles linguistiques : de la théorie à la pratique
  2. Grand modèle de langue
  3. 《动手学大模型Dive into LLMs》
  4. Fais-le, agent de l’IA.
  5. 《Build a Large Language Model (From Scratch)》
  6. 《多模态大模型》
  7. Manuel sur l’IA : une feuille de route pour les ressources d’apprentissage
  8. Comprendre l’apprentissage
  9. Livre illustré pour en apprendre davantage sur Transformers & LLMs
  10. Bâtir des LLM pour la production : améliorer les capacités et la fiabilité des LLM grâce à la mise à l’essai, à la mise à l’essai et au 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. Traitement du langage naturel : théorie et pratique des grands modèles
  14. Apprentissage intensif par le travail
  15. LLM Introduction aux développements
  16. 《大模型基础》
  17. Taming LLMs: Un guide pratique pour les jeux LLM avec le logiciel Open Source
  18. Fondations des grands modèles linguistiques
  19. Textbook on reinforcement learning from human feedback
  20. Algorithmes des grands modèles : apprentissage, alignement et alignement améliorés
  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》

Cours

Section intitulée « Cours »

Centre de ressources LLM

  1. - Oui.
  2. AI générale pour tous
  3. Officiers de LLM des cours
  4. Tutoriel ACL 2023 : Modèles et applications linguistiques basés sur la récupération
  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: État du TPG
  8. HuggingFace NLP Course
  9. Qinghua, NLP, Liu Zhiyuan Team Modèle ouvert
  10. Stanford: Transformateurs United V4
  11. - Oui.
  12. Princeton COS 597G (automne 2022)
  13. Johns Hopkins CS 601.471/671 NLP: Modèles auto-abonnés
  14. Cours Lee Hong Yi GenAI
  15. openai-cookbook: Exemples et guides pour utiliser l’API OpenAI.
  16. Hands on llms: Découvrez gratuitement LLM, LLMOps et DBS vectoriel en concevant, en formant et en déployant un système LLM en temps réel.
  17. Université de Waterloo
  18. Mistral: Commencer avec Mistral
  19. Stanford: Transformateurs United V4
  20. Coursera: Projet d’application Chatgpt
  21. LangGPT: Autoriser tout le monde à devenir un expert prompt !
  22. mistralai-cookbook
  23. Introduction à la génération AI 2024 Printemps
  24. build nanoGPT: Cours de code vidéo sur la construction de nanoGPT à partir de zéro.
  25. LLM101n- Construisons un conteur.
  26. Graphiques de connaissances pour RAG
  27. LLMs From Scratch (Datawhale Version)
  28. OpenRAG
  29. Route vers l’AGI
  30. Andrej Karpathy - Réseaux neuronaux : zéro pour héros
  31. Visualisation interactive du transformateur
  32. andysingal/llm-course
  33. Classe LM
  34. Google Advanced: L’IA pour les développeurs
  35. Anthropics：Prompt Engineering Interactive Tutorial
  36. LLMsBook
  37. Agents de modèles linguistiques de grande taille
  38. Université Cohere LLM
  39. LLM et transformateurs
  40. Smol Vision: Recettes pour réduire, optimiser, personnaliser les modèles de vision de pointe.
  41. Multimodal RAG: Dialogue avec les vidéos
  42. LLMs Interview Note
  43. RAG++ : De POC à la production: Cours avancé RAG.
  44. Poids & Bias AI Academy: Finissage, construction avec LLM, sorties structurées et plus de cours LLM.
  45. Didacticiels et ressources d’ingénierie et d’IA rapides
  46. Apprendre le RAG de Scratch – Tutoriel Python AI d’un ingénieur LangChain
  47. Évaluation du LLM : un cours complet
  48. HuggingFace Learn
  49. Andrej Karpathy: Plongez abondamment dans les LLM comme ChatGPT
  50. LLM技术科普
  51. CS25: Transformateurs United V5
  52. RAG_Techniques: Ce dépôt présente diverses techniques avancées pour les systèmes de génération retrieval-augmented (RAG). Les systèmes RAG combinent la recherche de l’information avec des modèles génériques pour fournir des réponses précises et contextuelles riches.
  53. 100+ LLM & RL Algorithm Maps | 原创 LLM / RL 100+原理图
  54. Exécution de l’apprentissage des grands modèles linguistiques
  55. NanoChat: Le meilleur ChatGPT que 100 $ peut acheter.
  56. CS146S de Stanford : Le développement de logiciels modernes
  57. Exécution de l’apprentissage des grands modèles linguistiques

Tutorique

Section intitulée « Tutorique »
  1. Apprenez à appliquer de grands modèles.
  2. Chaîne de développement AI
  3. Station B: Club de thé de cinq milles
  4. Station B: Kim Yu Cheney
  5. YTB:AI à tout moment
  6. Station B : Penny.
  7. Technique de guidage rapide
  8. YTB: hyperzone d’IA
  9. Station B: TechBeat Artificial Intelligence Community
  10. Station B: Huang Huiga
  11. Station B: Etude approche du traitement du langage naturel
  12. Visualisation LLM
  13. ♪ Connaissez l’homme de pierre ♪
  14. Station B : Blacky parle de l’IA.
  15. Site B: Ingénieur du véhicule sur le mur avant
  16. Station B: Ai Wen Cheol
  17. Grands modèles de langage (LLM) avec chapeaux Colab
  18. YTB: technologie IBM
  19. YTB: Unifier le groupe de lecture
  20. Chip Huyen
  21. How Much VRAM
  22. Blog: Espace scientifique (Swordlin)
  23. YTB: Hyung Won Chung
  24. Blog: Tejaswi kashyap
  25. Blog: Petit blog
  26. Savoir : ybq
  27. Articles en W&B
  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: septième enfant
  36. Implementation of all RAG techniques in a simpler way.
  37. L’apprentissage théorique de la machine: un manuel pour tous
  38. 鱼皮的 Vibe Coding 零基础教程

Papier

Section intitulée « Papier »

[!NOTE] C’est vrai.Huggingface Daily PapersC’est-à-direPapiers fraisC’est-à-direML Papers Explained

  1. Technique Hermes-3-Rapport
  2. Le groupe de modèles Lama 3
  3. Technique de rapport Qwen
  4. Qwen2 Technique de rapport
  5. Qwen2-vl Technique de rapport
  6. DeepSeek LLM: Élargir les modèles de langage Open-Source avec le long terme
  7. DeepSeek-V2: Un modèle de langage de mélange d’experts solides, économiques et efficaces
  8. Baichuan 2: Ouvrir des modèles linguistiques à grande échelle
  9. DataComp-LM: À la recherche de la prochaine génération d’assemblages de formation pour les modèles linguistiques
  10. OLMo : Accélérer la science des modèles linguistiques
  11. MAP-Neo: Série de modèles linguistiques bilingues de grande taille capable et transparente
  12. Chinese Tiny LLM: Préparation d’un modèle chinois-centrique de grande langue
  13. Phi-3 Rapport technique: Un modèle de langue hautement compatible localement sur votre téléphone
  14. Jamba-1.5: Modèles de transformateur hybride-mamba à l’échelle
  15. Jamba: Un modèle de langue hybride Transformateur-Mamba
  16. Les manuels sont tout ce dont vous avez besoin
  17. Libération le pouvoir du tsunami de données : une enquête exhaustive sur l’évaluation des données et la sélection pour l’apprentissage des modèles linguistiques data
  18. OLMoE: Modèles linguistiques de mélange d’experts ouverts
  19. Model Merging Paper
  20. Rapport technique de Baichuan-Omni
  21. 1.5-Pints Rapport technique : Préparation en jours, pas en mois – Votre modèle de langue s’applique aux données de qualité
  22. Rapport technique d’alignement du Baichuan
  23. Hunyuan-Large: un modèle MoE ouvert avec 52 milliards de paramètres activés par Tencent
  24. Molmo et PixMo : nids ouverts et données ouvertes pour les modèles multimodaux ultramodaux
  25. TÜLU 3: Pousser les frontières dans le modèle en langage ouvert après la formation
  26. Technique de rapport Phi-4
  27. Élargir les limites de performance des modèles multimodaux Open-Source avec le modèle, les données et l’échelle de temps d’essai
  28. Qwen2,5 Technique de rapport
  29. YuLan-Mini : un modèle de langage ouvert à l’efficacité des données
  30. Introduction à la modélisation vision-langue
  31. DeepSeek V3 Technical Report
  32. 2 OLMo 2 Furieux
  33. Rapport technique d’éclairage Yi
  34. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
  35. KIMI K1.5
  36. Eagle 2 : Construire des stratégies de données post-formation à partir de l’arrachage pour les modèles de vision-langue à la frontière
  37. Qwen2.5-VL Technique de rapport
  38. Baichuan-M1: Pousser la capacité médicale des grands modèles linguistiques
  39. Échelle predictible : Partie I — Loi sur l’échelle des hyperparamètres optimume dans le pré-investissement au modèle de grande langue
  40. SkyLadder: meilleur et plus rapide préformation via la fenêtre contextuelle calendrier
  41. Qwen2.5-Omni technical report
  42. Chaque FLOP compte: Mise au point d’un mélange d’experts 300B LING LLM sans GPU Premium
  43. Technique de rapport Gemma 3
  44. Open-Qwen2VL: Préparation par calcul des LLM multimodaux entièrement ouvert sur les ressources académiques
  45. Pangu Ultra: Pousser les limites des grands modèles de langage dense sur les NPU d’Ascend
  46. MiMo: Unlocking the Reasoning Potential of Language Model – From Pretraining to Posttraining
  47. Technique de rapport Phi-4
  48. Lama-Nemotron : modèles de raisonnement efficaces
  49. Qwen3 Technical Report
  50. Technique de rapport MiMo-VL
  51. ERNIE Technical Report
  52. Rapport technique de Kwai Keye-VL
  53. Kimi K2 Technical Report
  54. KAT-V1: Rapport technique de Kwai-AutoThink
  55. Step3
  56. Technique de rapport SAIL-VL2
  57. LLaVA-OneVision-1.5: Cadre entier ouvert pour la formation multimodale démocratique 85M-Midtraining Data 22M Instruct Data
  58. Olmo3: Tracer un chemin à travers le flux du modèle pour diriger l’IA open-source. Site Web
  59. OpenMMReasoner
  60. Technique de rapport Qwen3-VL

Communauté

Section intitulée « Communauté »
  1. La communauté magique.
  2. HuggingFace
  3. Porte du modèle
  4. Modèle
  5. OpenCSG

Modèle de protocole contextuel MCP

Section intitulée « Modèle de protocole contextuel MCP »
  1. C’est quoi, le MCP ? Quelle est la technologie ? Une vidéo comprend tout sur MCP. Configuration Windows MCP, Curseur, Cline en utilisant MCP
  2. Qu’est-ce que le MCP ? Pourquoi la prochaine génération de normes AI? Principes MCP + Pratique de développement! Utilisez MCP à Cursor, Claude, Cline pour rendre l’IA vraiment automatisée !
  3. Écrivez MCP à partir de zéro et rechez-le en ligne. C’est si simple ! Cheng

agrégation de l’outil MCP:

  1. La contrefaçon.ai
  2. mcp.so
  3. modelcontextprotocol/servers
  4. mcp.ad
  5. Pulsmcp.com
  6. awesome-mcp-servers
  7. C’est vrai.
  8. mcp.composio.dev
  9. awesome-mcp-list
  10. mcpo
  11. FastMCP
  12. partagemcp.cn
  13. La société Mcpstore.co
  14. FastAPI-MCP
  15. modéloscope/mcp
  16. mcpm.sh

Compétences

Section intitulée « Compétences »

  1. Agent Skills (Claude Skills) planification détaillée, une excellente vidéo.

  2. OpenClaw

  3. awesome-claude-skills

  4. Anthropics Skills

  5. Compétences

  6. awesome-claude-skills

  7. ClawHub

  8. Marché de l’aquaculture

  9. Compétences. Ch

  10. awesome-agent-skills

  11. Ilmbase

  12. awesome-openclaw-skills

  13. claude-scientific-skills

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

  15. Compétence

  16. LabClaw

  17. Compétences du modéloscope

  18. Compétence des agents

  19. mmx-cli

  20. Cocoloop moyenu

Ouvrir o1

Section intitulée « Ouvrir o1 »

[!NOTE]

La technologie ouverte est notre quête éternelle.

  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

Ouvrir o3

Section intitulée « Ouvrir 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

Petit modèle linguistique

Section intitulée « Petit modèle linguistique »
  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 Modèle de formation préparatoire
  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

Petit modèle de langage vidéo

Section intitulée « Petit modèle de langage vidéo »
  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

Conseils sur les compétences

Section intitulée « Conseils sur les compétences »
  1. Ce que nous avons appris d’une année de construction avec des LLM (Partie I)
  2. Ce que nous avons appris d’une année de construction avec des LLM (Partie II)
  3. Ce que nous avons appris d’une année de construction avec des LLM (Partie III) : Stratégie
  4. LLM
  5. LLM pour la classification textuelle : Guide d’apprentissage supervisé
  6. Classification textuelle non supervisée : catégoriser le langage naturel avec les LLM
  7. Classification du texte avec les LLM : Un tour d’horizon des meilleures méthodes
  8. Prix LLM
  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 heures pour former complètement à partir de 0 un GPT avec un petit paramètre de seulement 26M, avec un minimum de 2G cartes graphiques à raison.
  18. LLM-Travel: Pour mieux comprendre, explorer et réaliser les technologies, principes et applications associés aux grands modèles
  19. Distillation des connaissances: enseignement des LLM avec des données synthétiques
  20. Partie 1: Méthodes d’adaptation des grands modèles linguistiques
  21. Partie 2 : Pour peaufiner ou non pour peaufiner
  22. Trois partie: Comment trouver la définition: mettre l’actif sur des ensembles de données efficaces
  23. Reader-LM: Modèles de petits langages pour le nettoyage et la conversion HTML en Markdown
  24. Les LLM s’appliquent pour construire un cœur d’année
  25. Formation LLM - Préformation
  26. pytorch-llama: LLaMA 2 implémenté à partir de zéro en PyTorch.
  27. Preference Optimization for Vision Language Models with TRL C’est-à-diresupport modelC’est-à-dire
  28. Fine-tuning visual language models using SFTTrainer C’est-à-diredocsC’est-à-dire
  29. Guide visuel du mélange d’experts (MoE)
  30. Le jeu de rôle dans les modèles de grande langue comme ChatGPT
  31. Distributed Training Guide: Meilleures pratiques & guides sur la façon d’écrire le code de formation distribué.
  32. Modèles de discussion
  33. Les 20 premières questions d’entrée du RAG
  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 n’est pas un modèle de chat (et c’est le point)
  36. Beam Rechercher rapidement la compréhension et la résolution du code
  37. Diversifier la génération de texte basé sur la méthode transformers() : sens des paramètres et compréhension algorithmique Lire
  38. The Ultra-Scale Playbook: Training LLMs on GPU Clusters

Contributeur:

Si vous pensez que ce projet vous aidera, veuillez citer :

@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}},
}

Alt

HagiCode

HagiCode est un espace de développement agentique. Des interactions d’interface riches et pratiques rendent la planification, l’exécution des agents et le travail sur les projets accessibles et faciles à suivre, pour une expérience de développement engageante.

Une expérience de développement engageante grâce à des interactions d’interface riches et pratiques.

Visiter HagiCodeLire la documentation
  • IntelligentLes workflows OpenSpec transforment une intention en parcours exécutable, de la proposition à la livraison en passant par la conception et les tâches.
  • EfficaceL’exécution multi-agent fait avancer recherche, réalisation et revue en parallèle, sur plusieurs dépôts et avec les Agent CLI que vous utilisez déjà.
  • IntéressantDes interactions d’interface riches et pratiques rendent la planification, l’exécution des agents et le travail sur les projets accessibles et faciles à suivre.

Télécharger pour Windows

Obtenir sur le Microsoft StoreTous les téléchargements

Transformez vos idées en logiciels livrés.

HagiCode est un espace de développement agentique : les workflows OpenSpec planifient le changement, l’exécution multi-agent le réalise et Hero Scenario rend le long parcours visible, pour transformer vos idées en logiciels livrés.

Télécharger HagiCodeDocumentation produit
Intelligent
Les workflows OpenSpec transforment une intention en parcours, de la proposition à la livraison.
Efficace
L’exécution multi-agent mène recherche, réalisation et revue en parallèle.
Ludique
Les interactions d’interface facilitent la planification, l’exécution des agents et les projets.

© 2026 HagiCode | Powered By hagilight-starlight@0.21.0 | Branch: main | Commit: 745b50b | Built:

Quitter Awesome Site ?

Vous allez visiter un site externe. Nous ne contrôlons ni son contenu ni ses pratiques de confidentialité.

Site de destination

Continuer vers le site