#qwen3 Repositories
Entdecke 37 aktive Open-Source-GitHub-Repositories, die mit #qwen3 getaggt sind und insgesamt 217,169 Sterne gesammelt haben (durchschnittlich 5,869 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist vllm-project/vllm mit 97,302 Sternen.
Insgesamt 37 Repositories
Eine hochdurchsatzfähige und speichereffiziente Inferenz- und Serving-Engine für LLMs
🔥 MaxKB ist eine Open-Source-Plattform zum Aufbau von Enterprise-Grade-Agenten. Eine leistungsstarke und benutzerfreundliche Open-Source-Plattform für Unternehmensagenten.
Verwenden Sie PEFT oder ein Training mit vollständigen Parametern für CPT/SFT/DPO/GRPO auf über 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) und über 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Agent Reinforcement Trainer: Trainieren Sie Multi-Step-Agenten für reale Aufgaben mit GRPO. Geben Sie Ihren Agenten eine praxisnahe Ausbildung. Reinforcement Learning für Qwen3.6, GPT-OSS, Llama und mehr!
Jev-ähnliche Familie von Entscheidungsmodellen auf Basis von Qwen3.5/3.8, die Sie selbst trainieren und ausführen können
Führen Sie führende LLMs und VLMs lokal auf Qualcomm-Geräten über NPU, GPU und CPU mit nur wenigen Codezeilen aus
Open-Source Deep-Research-Alternative zu Reason und Search auf privaten Daten. Geschrieben in Python.
📚Eine kuratierte Liste von Awesome LLM/VLM-Inferenz-Papers mit Codes: Flash-Attention, Paged-Attention, WINT8/4, Parallelism usw.🎉
Eine native macOS-App, mit der Benutzer mit einem lokalen LLM chatten können, das ohne Installation weiterer Software mit Informationen aus Dateien, Ordnern und Websites auf Ihrem Mac antworten kann. Angetrieben von llama.cpp.
Führe große Qwen-Modelle schnell auf den GPUs aus, die du tatsächlich besitzt. Qwen3.8-27B auf einer einzelnen 24-GB-Karte mit vLLM: 127 Tok/s bei einem einzelnen Nutzer (381, wenn die Antwort den Prompt zitiert), etwa 1.035 Tok/s bei 64 gleichzeitigen Anfragen und ein Kontext von 150k–262k. vLLM-Patches, Requantisierungs-Pipeline und Benchmarks.
ASR/STT-Untertitelgenerator. Nutzt Qwen3-ASR, lokale LLM, Whisper, TEN-VAD. Lärmbeständig für JAV.
Chat2API ermöglicht kostenlosen Zugriff auf führende KI-Modelle durch die Nutzung offizieller Web-Oberflächen. Es unterstützt Anbieter wie DeepSeek, GLM, Kimi, MiniMax, Qwen und Z.ai und integriert sich nahtlos mit Tools wie openlcaw, Cline und Roo-Code.
Lokale Inferenz mit dem Verhalten einer hochmodernen API: Qwen3.8-Flash-Next auf AMD Strix Halo sowie kleine NPU-Modelle – über die OpenAI- und Anthropic-APIs auf einem einzigen Port.
GPU-freie CPU-Inferenz für 30B–284B-MoE-Modelle (Qwen3.8 176.5B mit kaltem Cache in Cgroup v2 bei 28,26/48,35 GiB zertifiziert, DeepSeek-V4 284B, Nemotron-30B) + RouteCrack 2.0.
KI-gestütztes Tool für die effiziente Abstract- und PDF-Prüfung in systematischen Übersichtsarbeiten.
Vollständig offener Rahmen für demokratisiertes multimodales Training
🚀 Pytorch Distributed native Trainingsbibliothek für LLMs/VLMs mit sofortiger Hugging Face-Unterstützung
🎬 Erzeuge Bilder aus jedem Kamerablickwinkel mithilfe einer interaktiven 3D-Steuerung. Ziehe die Kamera im 3D-Raum oder verwende die Schieberegler, um Azimut, Höhe und Entfernung festzulegen, und starte anschließend die Generierung. Entwickelt mit Three.js + Gradio, mit zweisprachiger chinesisch-englischer Benutzeroberfläche.
Die offizielle Implementierung für [NeurIPS2025 Oral] Gated Attention für Große Sprachmodelle: Nichtlinearität, Sparsität und Attention-Sink-Free
Ein offenes Grundlagenmodell und Benchmark zur Beschleunigung generativer Empfehlung
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.
🚀🚀🚀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.
MimikaStudio - Eine lokal-first Anwendung für macOS (Apple Silicon) + Agentic MCP-Unterstützung
LLM-Architekturen von Grund auf mit PyTorch implementieren
Reine Rust + CUDA LLM-Inferenz-Engine — kein PyTorch, OpenAI-kompatibel, bedient Qwen3 bis Kimi-K2
37 tok/s mit Qwen3-Next-80B (48 GB) auf einem 32-GB-Laptop; 24 ohne Drafts gegenüber 2,8 mit llama.cpp; beim Lesen 62 gegenüber 16 tok/s. Schneller als llama.cpp bei allen 13 Modellen, die in Q4_K_M verglichen wurden. LLMs, die größer sind als dein RAM – pures C, für CPU oder GPU.
LLM-API-Gateway – Ein brandneues System zur Verwaltung von KI-Modellschnittstellen sowie zur API-Aggregation und -Verteilung. Unterstützt die Konvertierung verschiedener LLMs in einheitliche, mit OpenAI, Claude und Gemini kompatible Schnittstellen. Geeignet für die einheitliche API-Verwaltung und Kanalverteilung für Einzelpersonen oder Unternehmen (Key-Management und Sekundärverteilung). Unterstützt alle gängigen internationalen und inländischen Modelle wie Gemini, Claude, Qwen3, Kimi-k2, Doubao usw. Verfügbar als einzelne ausführbare Datei oder Docker-Image, One-Click-Deployment, sofort einsatzbereit, vollständig Open Source und selbst kontrollierbar! Dieses Projekt basiert auf New-API und One-API und integriert alle Funktionen von NewAPI und OneAPI sowie zahlreiche Drittanbieter-Plugins. Extrem leistungsstarke Funktionen!
Führen Sie ein 105-GB-KI-Modell auf einem Mac aus, auf dem es nicht vollständig Platz findet. Qwen3.8-Flash-Next in 4-Bit, gestreamt von einer SSD auf Apple-Silicon-Macs mit 16–64 GB Arbeitsspeicher. Vollständig nativ mit Swift, MLX und Metal. Offline, ohne Python. CLI, Swift-Bibliothek sowie Ollama-/OpenAI-/Anthropic-APIs. Funktioniert mit Claude Code und Codex.
ein magischer LLM-Desktop-Client, der es *jedem* erleichtert, LLMs und MCP zu nutzen
Das visuelle Modul von SmolVLM2 wurde mit dem Qwen3-0.6B-Modell zusammengeführt und mittels Concatenated Fine-Tuning trainiert.
Statische, minimalistische, einzelne Charge, nur CUDA, qwen3-0.6B Mini-Inferenz-Engine
Eine vollständig in Rust entwickelte Inferenz-Engine für LLMs, VLMs, VLAs, TTS und OCR, angetrieben von Candle und Rust. Eine Alternative zu llama.cpp, die viel einfacher und übersichtlicher ist.
Vollständig unzensierte, fähigkeitserweiterte Ablation von Qwen3.6-27B. NVFP4 + z-lab DFlash Speculative Decoding (n=12) im einheitlichen Container ghcr.io/aeon-7/aeon-vllm-ultimate:latest, optimiert für die Akzeptanz von Entwürfen bei langen Kontexten auf DGX Spark. 6 HF-Varianten (BF16/NVFP4/MTP/MTP-XS), docker-compose und QuickStart.
Häufig gestellte Fragen
Welches ist das beliebteste #qwen3-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#qwen3-Projekt auf GitHub ist vllm-project/vllm mit 97,302 Sternen. Eine hochdurchsatzfähige und speichereffiziente Inferenz- und Serving-Engine für LLMs
Welche Programmiersprachen werden in #qwen3-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #qwen3-Projekten auf GitHub sind Python, Go, Swift, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #qwen3-Repositories berechnet?
Wir verfolgen 37 aktive Open-Source-Repositories, die mit #qwen3 getaggt sind (500+ Sterne), mit insgesamt 217,169 Sternen und durchschnittlich 5,869 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.