#chain-of-thought Repositories
Entdecke 52 aktive Open-Source-GitHub-Repositories, die mit #chain-of-thought getaggt sind und insgesamt 248,031 Sterne gesammelt haben (durchschnittlich 4,769 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist deepseek-ai/DeepSeek-R1 mit 91,984 Sternen.
Insgesamt 52 Repositories
:sparkles::sparkles:Neueste Fortschritte bei multimodalen großen Sprachmodellen
Die offizielle GitHub-Seite für die Übersichtsstudie „A Survey of Large Language Models“.
22 Prompt-Engineering-Techniken mit praktischen Jupyter-Notebook-Tutorials, von grundlegenden Konzepten bis zu fortgeschrittenen Strategien zur Nutzung von LLMs.
Eine Sammlung von LLM-Papieren, Blogs und Projekten mit Schwerpunkt auf OpenAI o1 🍓 und Reasoning-Techniken.
Implementieren Sie Schritt für Schritt ein Reasoning LLM in PyTorch von Grund auf neu
Eine Hochleistungs-LLM-Inferenz-API und eine Chat-Benutzeroberfläche, die die CoT-Schlussfolgerungsspuren von DeepSeek R1 mit Anthropic Claude-Modellen integriert.
KI-Systeme erstellen, bewerten und optimieren. Umfasst Evals (Bewertungen), RAG, Agenten, Feinabstimmung (Fine-Tuning), Generierung synthetischer Daten, Dataset-Management, MCP und mehr.
Eko (Eko keeps operating) - Erstellen Sie produktionsreife agentenbasierte Workflows mit natürlicher Sprache - eko.fellou.ai
ADHS — eine Fähigkeit für Coding-Agenten. Tree-of-thought mit Pruning (Beschneidung), aufgebaut auf dem Claude & Codex Agent SDK. Fächert parallele divergente Gedanken unter verschiedenen kognitiven Rahmenbedingungen auf, bewertet, entfernt Fallen und vertieft die überlebenden Ansätze. Die unverzichtbare Fähigkeit für kreative und interdisziplinäre Arbeit.
Zusammenfassung von Prompt & LLM-Papieren, Open-Source-Daten & -Modellen, AIGC-Anwendungen
Große Modelle von Grund auf neu bauen: Eine komplette Praxis von Pretraining bis RLHF
GigaBrain-0: Ein von einem Weltmodell angetriebenes Vision-Sprache-Aktionsmodell
Hervorragende Ressourcen für kontextuales Lernen und Prompt-Engineering: Beherrschung der LLMs wie ChatGPT, GPT‑3 und FlanT5, mit aktuellen und hochmodernen Updates.
Eine leistungsstarke Coding-Assistenten-Anwendung, die sich in die DeepSeek-API integriert, um Benutzergespräche zu verarbeiten und strukturierte JSON-Antworten zu generieren. Über eine intuitive Befehlszeilenschnittstelle kann sie lokale Dateiinhalte lesen, neue Dateien erstellen und Echtzeit-Diffs auf vorhandene Dateien anwenden.
[ICCV 2025] LLaVA-CoT, ein visuelles Sprachmodell, das zu spontanem, systematischem Denken fähig ist
Offizielle Implementierung für „Automatic Chain of Thought Prompting in Large Language Models“ (bleiben Sie dran & mehr wird aktualisiert)
Trainierung großer Sprachmodelle für die Argumentation in einem kontinuierlichen latenten Raum
Agententechniken, um Ihre LLM zu erweitern und sie über ihre Grenzen hinaus zu treiben
[ICLR2026] Dies ist das erste Papier, das untersucht, wie man R1‑ähnliches RL effektiv für MLLMs einsetzen kann und Vision‑R1 vorstellt, ein rationsierendes MLLM, das kalte Startinitialisierung und RL‑Training nutzt, um die Denkfähigkeit zu fördern.
Multimodales Chain-of-Thought Reasoning: Eine umfassende Übersichtsarbeit
Video-R1: Verstärkung der Videobegründung in MLLMs [🔥das erste Paper, das R1 für Videos erforscht]
[CVPR 2025] Die erste Untersuchung von CoT-Argumentation (RL, TTS, Reflexion) in der Bildgenerierung
Awesome-LLM-Robustness: eine kuratierte Liste zu Unsicherheit, Zuverlässigkeit und Robustheit in großen Sprachmodellen
Offizielle Implementierung von UnifiedReward & [NeurIPS 2025] UnifiedReward-Think & UnifiedReward-Flex
Ein Framework, das zur Verwaltung von Kontext, Abhängigkeiten und Aufgaben in groß angelegten Cline-Projekten innerhalb von VS Code entwickelt wurde
Daten und Code für das NeurIPS 2022 Paper „Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering“.
Neueste Fortschritte im Long Chain-of-Thought-Schlussfolgern
[ICML 2026] Offizielle Ressourcen von „Graph-R1: Auf dem Weg zu einem Agentic GraphRAG-Framework durch End-to-End-Verstärkendes Lernen“.
Eine Sammlung von Papieren, Codes, Datensätzen, Benchmarks und Ressourcen zum multimodalen Denken.
[ICML 2025 mündlicher Vortrag] CodeI/O: Verdichtung von Begründungsmustern durch Vorhersage von Code-Ein- und Ausgaben
[NeurIPS 2025 Spotlight] LLM-Nach-Trainings-Suite — mit ReasonFlux, ReasonFlux-PRM und ReasonFlux-Coder.
Herausfordernde BIG-Bench-Aufgaben und ob Chain-of-Thought sie lösen kann
Häufig gestellte Fragen
Welches ist das beliebteste #chain-of-thought-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#chain-of-thought-Projekt auf GitHub ist deepseek-ai/DeepSeek-R1 mit 91,984 Sternen.
Welche Programmiersprachen werden in #chain-of-thought-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #chain-of-thought-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, TeX die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #chain-of-thought-Repositories berechnet?
Wir verfolgen 52 aktive Open-Source-Repositories, die mit #chain-of-thought getaggt sind (500+ Sterne), mit insgesamt 248,031 Sternen und durchschnittlich 4,769 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.