#jax Repositories
Insgesamt 138 Repositories
Ein Deep-Learning-Paket für die Darstellung von Viele-Teilchen-Potentialenergie und Molekulardynamik
Ein JAX-Toolkit für das Erstellen, Bearbeiten und Visualisieren von neuronalen Netzen.
Typannotationen und Laufzeitprüfungen für Form und Datentyp von JAX/NumPy/PyTorch/etc. Arrays. https://docs.kidger.site/jaxtyping/
WARNUNG: Das Katib-Projekt ist VERALTET. Nutzer sollten zu OptimizationJob und Kubeflow Trainer migrieren.
Startseite für "How To Scale Your Model", ein kurzes, blogartiges Lehrbuch über die Skalierung von LLMs auf TPUs
Benchmark für imitatives Lernen mit Fokus auf komplexe Lokomotionsaufgaben unter Verwendung von MuJoCo.
MACE – Schnelle und genaue maschinelle Lern-Interatomare Potenziale mit equivarianter Nachrichtenweitergabe höherer Ordnung.
Dieses Repository stellt den Code und die Modell-Checkpoints für die Forschungsprojekte AIMv1 und AIMv2 bereit.
Digital Audio Workstation mit Python; VST-Instrumente/Effekte, Parameterautomatisierung, FAUST, JAX, Warp Markers und JUCE-Prozessoren
Eine Multi-Backend-Implementierung der Keras-API mit Unterstützung für TensorFlow, JAX und PyTorch.
PDEBench: Ein umfangreicher Benchmark für wissenschaftliches maschinelles Lernen
💁 Schatzkiste voller Transformer-Modelle für Natural Language Processing enthält Arbeiten, Videos, Blogs, offizielle Repos und Colab-Notebooks. 🛫☑️
Modulare Reinforcement Learning (RL) Bibliothek (implementiert in PyTorch, JAX und NVIDIA Warp) mit Unterstützung für Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground und andere Umgebungen
🦁 Eine forschungsfreundliche Codebasis für schnelles Experimentieren mit Multi-Agent Reinforcement Learning in JAX
Ein performantes ML-Modell-Serving-Framework, das dynamisches Batching und CPU/GPU-Pipelines bietet, um Ihre Rechenmaschine voll auszunutzen
🕹️ Eine vielfältige Sammlung skalierbarer Reinforcement-Learning-Umgebungen in JAX
SERL: Eine Softwaresuite für beispielhafte Reinforcement Learning in der Robotik
Eine Implementierung des Fermionic Neural Network für ab-initio elektronische Struktur-Berechnungen
Open-Modelle der Spitzenklasse auf einer kostenlosen Kaggle-TPU v5e-8: GLM-5.3-Flash 320B MoE (~165 Tok/s, mit unserer eigenen JAX-Engine) und Qwen3.8-27B bf16 (~130 Tok/s), 262k Kontext und Präfix-Caching. Funktioniert mit Claude Code, Codex, opencode und pi.
Optimale Transportwerkzeuge, implementiert mit dem JAX-Framework, zur Lösung gross angelegter Matching-Probleme jeglicher Art.
Tevatron – Unified Document Retrieval Toolkit für Skalierung, Sprache und Modalität. Demo auf der SIGIR 2023, SIGIR 2025.