#large-language-models Repositories
Insgesamt 1,249 Repositories
Entdecken Sie eine umfassende Sammlung von Ressourcen, Tutorials, Fachartikeln, Tools und Best Practices zur Feinabstimmung großer Sprachmodelle (LLMs). Perfekt für Praktiker und Forschende im Bereich maschinelles Lernen!
ICML 2024: Verbesserung der Faktentreue und des logischen Denkens in Sprachmodellen durch Multi-Agenten-Debatte
Krasis ist eine hybride LLM-Laufzeitumgebung, die sich auf die effiziente Ausführung größerer Modelle auf Consumer-Hardware mit begrenztem VRAM konzentriert
🌐 Vision-Language-Action-Modelle für autonomes Fahren: Vergangenheit, Gegenwart und Zukunft
Prompts veröffentlicht vom öffentlichen Konto Write Prompt, hier synchron aufgezeichnet
Hochmoderne zweisprachige Open-Source-LLMs für mathematisches Schlussfolgern.
Können große Sprachmodelle nützliches Feedback zu Forschungsarbeiten geben? Eine groß angelegte empirische Analyse.
PromptInject ist ein Framework, das Prompts modular zusammenstellt, um eine quantitative Analyse der Robustheit von LLMs gegenüber adversariellen Prompt-Angriffen zu ermöglichen. 🏆 Auszeichnung als bestes Paper beim NeurIPS ML Safety Workshop 2022
🔥 Generieren Sie llms.txt- und llms-full.txt-Dateien für jede Website!
KI fordert eine 1-Sterne-Bewertung im koreanischen CSAT-Koreanisch heraus
Moxin ist eine Familie von vollständig quelloffenen und reproduzierbaren LLMs
ein kostenloses und quelloffenes Browser-Sidebar-Plugin, das eine kostenlose Alternative zu Produkten wie Sider, Monica und Merlin bietet.
[BIONLP@ACL 2024] XrayGPT: Zusammenfassung von Röntgenbildern der Brust mithilfe von medizinischen Vision-Language-Modellen.
Official Implementations of "Cheap and Quick: Efficient Vision-Language Instruction Tuning für Large Language Models" zum NeurIPS 2023
[ICLR 2026] Offizieller Code für TraceRL: Revolutionierung des Post‑Trainings für Diffusions‑LLMs, Antrieb der SOTA TraDo‑Serie.
Lerne Schritt für Schritt die Inferenztechnik für LLMs – vom KV-Cache, PagedAttention und kontinuierlichem Batching bis hin zu vLLM, SGLang und GPUs.
🚀🚀🚀 [ICML 2026] Offizielle Implementierung von Robust-U1: Können MLLMs beschädigte visuelle Inhalte selbst wiederherstellen, um ein robustes Verständnis zu ermöglichen?
Behalten Sie große Modelle im Audiobereich im Auge, einschließlich Sprache, Gesang, Musik usw.
[ACL 2025 Demo] Repository für die Demo und die Arbeit: ReasonGraph: Visualisierung von Argumentationspfaden
Offizielle Implementierung des ICLR 2024 Papers: "Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning"
QwQ ist die Modellreihe für Schlussfolgerungen, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
[ICLR'25] BigCodeBench: Benchmarking der Codegenerierung in Richtung AGI
YouDub ist ein Open-Source-Tool, das darauf abzielt, qualitativ hochwertige YouTube-Videos automatisch zu übersetzen und zu synchronisieren, um sie in das chinesische Internet zu übertragen. Das Tool verwendet KI-Spracherkennungstechnologie, um Audio in Text umzuwandeln, übersetzt den Text anschließend mithilfe eines Großen Sprachmodells (LLM) ins Chinesische und wandelt das Chinesische schließlich mithilfe der KI-Stimmklonungstechnologie in Audio um. Auf diese Weise können wir auf Chinesisch synchronisierte Videos erstellen, die die ursprüngliche Stimmfarbe des YouTubers beibehalten.
Eine offene Version von ChatGPT, die Sie überall hosten oder lokal ausführen können.
🔥🔥🔥[AAAI 2026 Oral] Offizielle Implementierung von Robust‑R1: Degradations‑bewusstes Denken für robuste visuelle Wahrnehmung
Ein Werkzeug zur Übersetzung des Inhalts von LaTeX-Dokumenten in verschiedene andere natürliche Sprachen (z. B. die Übersetzung eines arXiv-Artikels vom Englischen ins Chinesische).
Verfolgung von Arbeiten, Datensätzen und Modellen von „Large Language Models (LLMs) für Zeitreihen“
[EMNLP 2024] MeChat: Ein großes Dialogmodell zur psychischen Gesundheit im chinesischen Bereich
Geschlossenes semi-automatisches Tool zur Schwachstellenaufdeckung, das eine statische Codeanalyse für jar/war/zip durchführt und erreichbare Pfade von der Quelle (Source) zum Ziel (Sink) ausgibt. Das LLM überprüft die Pfaderreichbarkeit und gibt basierend auf dem Kontext eine Vertrauensbewertung für diesen Pfad an.
Arbeiten und Datensätze zum Thema Instruktions-Tuning und -Befolgung. ✨✨✨
[EMNLP 2023] Große Sprachmodelle in die Lage versetzen, Text mit Zitaten zu generieren. Paper: https://arxiv.org/abs/2305.14627
Ein vertrauenswürdiger Interaktionsrahmen für Mensch-Multi-Agenten-Verstärkungslernen
Eine Bibliothek zum einfachen Zusammenführen mehrerer LLM-Experten und zum effizienten Trainieren des zusammengeführten LLM.