#ai4science Repositories
Entdecke 21 aktive Open-Source-GitHub-Repositories, die mit #ai4science getaggt sind und insgesamt 203,254 Sterne gesammelt haben (durchschnittlich 9,678 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist PaddlePaddle/PaddleOCR mit 92,972 Sternen.
Insgesamt 21 Repositories
Wandeln Sie jedes PDF- oder Bilddokument in strukturierte Daten für Ihre KI um. Ein leistungsstarkes, leichtgewichtiges OCR-Toolkit, das die Lücke zwischen Bildern/PDFs und LLMs schließt. Unterstützt über 100 Sprachen.
Transformiert komplexe Dokumente wie PDFs und Office-Dokumente in LLM-bereites Markdown/JSON für Ihre Agentic-Workflows.
Eine blueprint-gesteuerte AutoResearch-Laufzeitumgebung zur Orchestrierung von KI-Forschungsworkflows von der Ideengenerierung und Experimenten bis hin zum Verfassen von Papieren und Peer-Review.
Graphormer ist ein Allzweck-Deep-Learning-Backbone für molekulare Modellierung.
Eine kuratierte Liste von großartigen KI-Tools, Bibliotheken, Papern, Datensätzen und Frameworks, die die wissenschaftliche Entdeckung beschleunigen – von Physik und Chemie bis hin zu Biologie, Materialien und darüber hinaus.
GraphGen: Verbesserung des überwachten Fine-Tunings für LLMs mit wissensgesteuerter Generierung synthetischer Daten
Principia extrahiert wiederverwendbare Prinzipien, setzt diese Prinzipien zu nachvollziehbaren Forschungsideen zusammen und hilft Forschern zu prüfen, warum eine Idee es wert sein könnte, getestet zu werden.
Open-Source, lokale Desktop-KI-Forschungswerkbank für wissenschaftliches Rechnen mit Python/R, MCP-Bioinformatik-Tools, SSH/WSL/GPU-Laufzeiten und OpenAI/Anthropic-Modellen.
Terminal-Bench-Science: Bewertung von KI-Agenten in Forschungsabläufen über verschiedene wissenschaftliche Disziplinen hinweg
Ein Python-Toolkit zur Feinabstimmung von Geospatial Foundation Models (GFMs).
🚀🚀🚀Eine Sammlung einiger beeindruckender öffentlicher Projekte zu Large Language Models (LLM), Vision Language Models (VLM), Vision Language Action (VLA), AI Generated Content (AIGC), den dazugehörigen Datensätzen und Anwendungen.
🏆 Eine Rangliste großartiger atomistischer Machine-Learning-Projekte ⚛️🧬💎.
freephdlabor: Anpassung personalisierter Multiagentensysteme, die 24/7 an Ihrem eigenen wissenschaftlichen Problem forschen
Eine umfassende Untersuchung wissenschaftlicher großer Sprachmodelle und ihrer Anwendungen bei wissenschaftlichen Entdeckungen (EMNLP'24)
[ECCV 2026] Ein diffusionsbasiertes Framework für Dokumenten-OCR, das autoregressives Decodieren durch blockweises paralleles Diffusionsdecodieren ersetzt.
MatterSim: Ein tiefes Lernmodell auf atomarer Ebene, das Elemente, Temperaturen und Druck abdeckt.
Häufig gestellte Fragen
Welches ist das beliebteste #ai4science-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#ai4science-Projekt auf GitHub ist PaddlePaddle/PaddleOCR mit 92,972 Sternen. Wandeln Sie jedes PDF- oder Bilddokument in strukturierte Daten für Ihre KI um. Ein leistungsstarkes, leichtgewichtiges OCR-Toolkit, das die Lücke zwischen Bildern/PDFs und LLMs schließt. Unterstützt über 100 Sprachen.
Welche Programmiersprachen werden in #ai4science-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #ai4science-Projekten auf GitHub sind Python, Rust, Rich Text Format, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #ai4science-Repositories berechnet?
Wir verfolgen 21 aktive Open-Source-Repositories, die mit #ai4science getaggt sind (500+ Sterne), mit insgesamt 203,254 Sternen und durchschnittlich 9,678 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.