#transformers Repositories
Entdecke 273 aktive Open-Source-GitHub-Repositories, die mit #transformers getaggt sind und insgesamt 1,416,375 Sterne gesammelt haben (durchschnittlich 5,188 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist microsoft/generative-ai-for-beginners mit 123,942 Sternen.
Insgesamt 273 Repositories
21 Lektionen, Erste Schritte beim Erstellen mit generativer KI
Implementieren Sie Schritt für Schritt ein ChatGPT-ähnliches LLM in PyTorch von Grund auf neu
Lerne AI Engineering! Lerne es. Entwickle es. Stelle es anderen zur Verfügung.
Vereinheitlichte effiziente Feinabstimmung von über 100 LLMs & VLMs (ACL 2024)
🧑🏫 60+ Implementierungen/Tutorials von Deep-Learning-Papieren mit begleitenden Notizen 📝; einschließlich Transformatoren (Original, xl, switch, feedback, vit, ...), Optimierern (adam, adabelief, sophia, ...), gans (cyclegan, stylegan2, ...), 🎮 Reinforcement Learning (ppo, dqn), capsnet, Destillation, ... 🧠
ChatGLM-6B: Ein quelloffenes zweisprachiges Dialogsprachenmodell | Offenes zweisprachiges Dialog-Sprachmodell
Implementierung des Vision Transformer, ein einfacher Weg, um Spitzenleistungen in der visuellen Klassifizierung mit nur einem einzigen Transformer-Encoder in Pytorch zu erzielen
Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
Private KI-Plattform für Agenten, Assistenten und Unternehmenssuche. Integrierter Agent Builder, Tiefenrecherche, Dokumentenanalyse, Unterstützung mehrerer Modelle und API-Konnektivität für Agenten.
Eine Sammlung verschiedener Deep-Learning-Architekturen, Modelle und Tipps
Modernstes maschinelles Lernen für das Web. Führen Sie 🤗 Transformers direkt in Ihrem Browser aus, ganz ohne Server!
RWKV (ausgesprochen RwaKuv) ist ein RNN mit großartiger LLM-Leistung, das auch direkt wie ein GPT-Transformer trainiert werden kann (parallelisierbar). Wir sind bei RWKV-7 "Goose". Es kombiniert also das Beste aus RNN und Transformer - großartige Leistung, lineare Zeit, konstanter Speicherplatz (kein kv-Cache), schnelles Training, unendliche ctx_len und kostenlose Satz-Einbettung.
All-in-One-KI-Framework für semantische Suche, LLM-Orchestrierung und Sprachmodell-Workflows
Eine unkomplizierte Methode zum Trainieren Ihres LLM, vom Herunterladen der Daten bis zur Textgenerierung.
Benutzerfreundliche und leistungsstarke LLM- und SLM-Bibliothek mit einer beeindruckenden Modellbibliothek.
Ein Open-Source-Framework zur Erkennung, Redaktion, Maskierung und Anonymisierung sensibler Daten (PII) in Text, Bildern und strukturierten Daten. Unterstützt NLP, Pattern-Matching und anpassbare Pipelines.
OpenVINO™ ist ein Open-Source-Toolkit zur Optimierung und Bereitstellung von KI-Inferenz.
Semantische Segmentierungs-Modelle mit mehr als 500 vortrainierten konvolutionellen und Transformer-basierten Backbones.
Dieses Repository enthält Demos, die ich mit der Transformers-Bibliothek von HuggingFace erstellt habe.
💥 Schnelle State-of-the-Art-Tokenizers, optimiert für Forschung und Produktion
Feinabstimmung von LLMs aus einem YAML. Layer-Streaming trainiert ein 8B-Modell auf einer 4-GB-Laptop-GPU.
Ein einfach zu bedienendes, skalierbares und hochperformantes agentisches RL-Framework basierend auf Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA & Sol: Effiziente generative Modelle und Full-Stack-Engines für Training und Inferenz zur Bild-, Video- und Weltmodellierung
Open-Source-Inferenzplattform für Sprach-, Vision-, Embedding-, Reranking-, Bild-, Audio- und Videomodelle. Stellen Sie mehrere Engines auf heterogener Hardware bereit – vom Laptop bis zum verteilten Cluster. Stellen Sie Modelle über OpenAI-kompatible APIs bereit.
[NeurIPS 2024 Best Paper Award][GPT schlägt Diffusion🔥] [Skalierungsgesetze in der visuellen Generierung📈] Offizielle Implementierung von "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Eine *extrem einfache, benutzerfreundliche und dennoch hochmoderne* Codebasis für autoregressive Bildgenerierung!
Beschleunigen Sie die lokale LLM-Inferenz und Feinabstimmung (LLaMA, Mistral, ChatGLM, Qwen, DeepSeek, Mixtral, Gemma, Phi, MiniCPM, Qwen-VL, MiniCPM-V usw.) auf Intel XPU (z. B. lokaler PC mit iGPU und NPU, dedizierte GPU wie Arc, Flex und Max); nahtlose Integration mit llama.cpp, Ollama, HuggingFace, LangChain, LlamaIndex, vLLM, DeepSpeed, Axolotl usw.
Eine Text-to-Speech (TTS), Speech-to-Text (STT) und Speech-to-Speech (STS) Bibliothek, die auf Apples MLX-Framework basiert und eine effiziente Sprachanalyse auf Apple Silicon ermöglicht.
Implementierung von RLHF (Reinforcement Learning with Human Feedback) auf der PaLM-Architektur. Im Grunde ChatGPT, aber mit PaLM
Eine Implementierung von modellparallelen autoregressiven Transformatoren auf GPUs, basierend auf den Bibliotheken Megatron und DeepSpeed
SD.Next: All-in-One-WebUI für die KI-generierte Bild- und Videoproduktion, Untertitelerstellung und Verarbeitung
Dieses Repository ist eine kuratierte Sammlung von Links zu verschiedenen Kursen und Ressourcen über Künstliche Intelligenz (KI)
Chinesische Version von CLIP, die chinesische Cross-Modal-Retrieval und Repräsentationsgenerierung ermöglicht.
⚡ WebGPU-Inferenz-Engine in reinem Rust — OpenAI-API-kompatibel, GGUF-nativ, läuft auf jeder GPU. Kein Python. Kein llama.cpp. Einzelne Binärdatei.
Ein prägnanter, aber vollständiger Full-Attention-Transformer mit einer Reihe vielversprechender experimenteller Funktionen aus verschiedenen Papieren
Robuste Rezepte zur Abstimmung von Sprachmodellen mit menschlichen und KI-Präferenzen
Häufig gestellte Fragen
Welches ist das beliebteste #transformers-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#transformers-Projekt auf GitHub ist microsoft/generative-ai-for-beginners mit 123,942 Sternen. 21 Lektionen, Erste Schritte beim Erstellen mit generativer KI
Welche Programmiersprachen werden in #transformers-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #transformers-Projekten auf GitHub sind Python, Jupyter Notebook, Rust, JavaScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #transformers-Repositories berechnet?
Wir verfolgen 273 aktive Open-Source-Repositories, die mit #transformers getaggt sind (500+ Sterne), mit insgesamt 1,416,375 Sternen und durchschnittlich 5,188 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.