#large-language-models Repositories
Insgesamt 1,249 Repositories
[ICLR 2026] LightMem: Leichtgewichtig und effizient mit speicher-augmentierter Generierung
LangChain- und Prompt-Engineering-Tutorials zu Large Language Models (LLMs) wie ChatGPT mit benutzerdefinierten Daten. Jupyter-Notebooks zum Laden und Indizieren von Daten, Erstellen von Prompt-Vorlagen, CSV-Agenten und Verwenden von Retrieval-QA-Ketten zum Abfragen benutzerdefinierter Daten. Projekte zur Verwendung eines privaten LLM (Llama 2) für den Chat mit PDF-Dateien, Tweet-Sentiment-Analyse.
Code für unser EMNLP 2023 Paper: "LLM-Adapters: Eine Adapterfamilie für das parameter-effiziente Fine-Tuning von Large Language Models"
Ein sich selbst anpassnder Framework🐙, der LLMs in Echtzeit für ungesehene Aufgaben anpasst!
NotaGen: Förderung der Musikalität in der symbolischen Musikgenerierung mit Trainingsparadigmen großer Sprachmodelle
so etwas wie Visual-ChatGPT, die Open-Source-Version von Wenxin Yiyan
ChatLLaMA 📢 Open-Source-Implementierung für LLaMA-basiertes ChatGPT, das auf einer einzelnen GPU ausgeführt werden kann. 15x schnellerer Trainingsprozess als ChatGPT
Ein verallgemeinertes informationssuchendes Agentensystem mit Large Language Models (LLMs).
Ein praktisches Labor zum Erstellen, Testen und Evaluieren von Apps mit dem Foundation Models Framework von Apple.
Eine Sammlung von Notebooks/Rezepten, die Anwendungsfälle von Open-Source-Modellen mit Together AI demonstrieren.
Eine professionelle Liste zu großen (Sprach-)Modellen und Foundation Models (LLM, LM, FM) für Zeitreihen-, raumzeitliche und Ereignisdaten.
Bietet automatisierte Reverse-Engineering-Unterstützung durch die Verwendung lokaler großer Sprachmodelle (LLMs) auf Consumer-Hardware.
Eine kuratierte Liste von Foundation-Modellen für Aufgaben im Bereich Vision und Sprache
RooFlow - Verbessertes Speicherbank-System mit ☢️Fußpistolen-Power☢️. Speicherbank-System der nächsten Generation mit fünf integrierten Modi und systemweiter Anpassung. Nutzt den experimentellen "Fußpistolen"-Feature von Roo Code für tiefgreifende Anpassung von KI-Assistenten bei gleichzeitiger effizienter Token-Nutzung!
Open-Source A-Share quantitative analysis (and combined with LLM models for advanced analysis)
Chatten Sie mit KI-Sprachmodellen, die nativ in Ihrem Browser ausgeführt werden. Genießen Sie private, serverfreie, nahtlose KI-Konversationen.
Eine Webanwendung zum Chatten mit KI-Charakteren, die jeder einfach einrichten und bereitstellen kann.
Leichte und portable LLM-Sandbox-Laufzeitumgebung (Code-Interpreter) Python-Bibliothek.
[Neurips 2023] Generierung von Mario-Levels mit GPT2. Code für die Veröffentlichung "MarioGPT: Open-Ended Text2Level Generation through Large Language Models" https://arxiv.org/abs/2302.05981
Open-Source-Autoresearch, angetrieben von autonomen Coding-Agenten. Führen Sie Claude Code, OpenCode und Codex mit Bewertung, geteiltem Wissen und Multi-Agenten-Evolution aus. Akzeptiert auf der COLM 2026.
[NeurIPS 2023] MeZO: Fine-Tuning Language Models with Just Forward Passes. https://arxiv.org/abs/2305.17333
Rezepte zur Skalierung des Inferenzzeit-Computings von offenen Modellen
Ein Benchmark für klinische Entscheidungen und Evidenz: die eine Tatsache herausarbeiten, auf der eine Antwort beruht, und prüfen, ob sich die Handlung des Assistenten entsprechend der Evidenz verändert. Auf HealthBench aufgebaut.
Ein MemAgent-Framework, das auf 3,5 Millionen erweitert werden kann, zusammen mit einem Trainings-Framework für das RL-Training von beliebigen Agenten-Workflows.
Offizielle Implementierung von „Fast-dLLM: Training-free Acceleration of Diffusion LLM by Enabling KV Cache and Parallel Decoding“
[NeurIPS 2025 Main] SWE-SQL: Beleuchtung von LLM-Pfaden zur Lösung von Benutzer-SQL-Problemen in realen Anwendungen
Aufforderung des Königs Yunhe zur Bekämpfung der Rebellen
AI Group ist eine leistungsstarke mobile intelligente Assistentenanwendung, die mehrere große Sprachmodelle (LLMs) und KI-Dienste integriert und Ihnen ein bequemes intelligentes Interaktionserlebnis bietet.
Ein 4-stündiger Programmier-Workshop, um zu verstehen, wie LLMs implementiert und verwendet werden