#chain-of-thought Dépôts
Découvrez 52 dépôts GitHub open source actifs associés à #chain-of-thought, cumulant 248,031 étoiles au total (soit une moyenne de 4,769 étoiles par projet). Le projet en tête de ce thème est deepseek-ai/DeepSeek-R1, avec 91,984 étoiles.
52 dépôts au total
:sparkles::sparkles:Dernières avancées sur les grands modèles de langage multimodaux
La page GitHub officielle du document de synthèse "A Survey of Large Language Models".
22 techniques d'ingénierie de prompts avec des tutoriels pratiques sur Jupyter Notebook, des concepts fondamentaux aux stratégies avancées pour exploiter les LLMs.
Une collection d'articles, de blogs et de projets LLM, axée sur OpenAI o1 🍓 et les techniques de raisonnement.
Implémentez un LLM de raisonnement dans PyTorch à partir de zéro, étape par étape
Une API d'inférence LLM haute performance et une interface utilisateur de chat qui intègre les traces de raisonnement CoT de DeepSeek R1 avec les modèles Anthropic Claude.
Construire, évaluer et optimiser les systèmes d'IA. Cela comprend les évaluations (evals), le RAG, les agents, l'ajustement précis (fine-tuning), la génération de données synthétiques, la gestion des ensembles de données, le MCP, et plus encore.
Eko (Eko Keep Operating) - Créez des flux de travail agentiques prêts pour la production avec le langage naturel - eko.fellou.ai
TDAH — une compétence pour les agents de codage. Arbre de pensée (Tree-of-thought) avec élagage, construit sur le SDK de Claude & Codex Agent. Déploie des pensées divergentes parallèles sous différents cadres cognitifs, évalue, élimine les pièges et approfondit les survivants. La compétence incontournable pour le travail créatif et interdisciplinaire.
Framework d'optimisation des invites piloté par agent et conscient des tâches
Résumé des articles Prompt & LLM, données et modèles open source, applications AIGC
Construire des grands modèles à zéro : une pratique complète du pré-entraînement à la RLHF
GigaBrain-0: Un modèle vision-langage-action alimenté par un modèle du monde
Des ressources géniales pour l'apprentissage en contexte et l'ingénierie de prompts : maîtrise des LLM tels que ChatGPT, GPT‑3 et FlanT5, avec des mises à jour à jour et à la pointe.
Une application puissante d'assistant de codage qui s'intègre à l'API DeepSeek pour traiter les conversations des utilisateurs et générer des réponses JSON structurées. Grâce à une interface de ligne de commande intuitive, elle peut lire le contenu de fichiers locaux, créer de nouveaux fichiers et appliquer des modifications diff en temps réel aux fichiers existants.
[ICCV 2025] LLaVA-CoT, un modèle linguistique visuel capable de raisonnement spontané et systématique
Implémentation officielle pour « "Automatic Chain of Thought Prompting in Large Language Models" » (restez à l'écoute et plus sera mis à jour)
Entraînement de grands modèles linguistiques pour raisonner dans un espace latent continu
Techniques d'agent pour augmenter votre LLM et le pousser au-delà de ses limites
[ICLR2026] Ceci est le premier article à explorer comment utiliser efficacement le RL de type R1 pour les MLLMs et présenter Vision‑R1, un MLLM de raisonnement qui exploite l'initialisation à démarrage froid et l'entraînement RL pour inciter la capacité de raisonnement.
[ECCV 2024 Oral] DriveLM : Conduire avec des questions-réponses visuelles sur graphes
Raisonnement multimodal à chaînes de pensée : une enquête complète
[ACL 2023] Raisonnement avec le Prompting de Modèles Linguistiques : Une Synthèse
Video-R1: Renforcer le Raisonnement Vidéo dans les MLLM [🔥le premier article à explorer R1 pour la vidéo]
[CVPR 2025] La première enquête sur le raisonnement CoT (RL, TTS, Réflexion) dans la génération d'images
Awesome-LLM-Robustness : une liste organisée sur l'incertitude, la fiabilité et la robustesse dans les grands modèles linguistiques
Implémentation officielle de UnifiedReward et [NeurIPS 2025] UnifiedReward-Think et UnifiedReward-Flex
Un framework conçu pour gérer le contexte, les dépendances et les tâches dans les projets Cline à grande échelle au sein de VS Code
Données et code pour l'article NeurIPS 2022 "Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering".
Dernières avancées en matière de raisonnement à longue chaîne de pensée
[ICML 2026] Ressources officielles de "Graph-R1 : Vers un cadre Agentic GraphRAG via l'apprentissage par renforcement de bout en bout".
Une collection d'articles, de codes, d'ensembles de données, de benchmarks et de ressources sur le raisonnement multimodal.
[ICML 2025 Oral] CodeI/O : Condenser les modèles de raisonnement par la prédiction des entrées-sorties du code
[NeurIPS 2025 Spotlight] Suite de post-entraînement LLM — avec ReasonFlux, ReasonFlux-PRM et ReasonFlux-Coder.
Tâches BIG-Bench difficiles et si la Chaîne de Pensée peut les résoudre
Foire aux questions
Quel est le dépôt #chain-of-thought le plus populaire sur GitHub ?
Le projet #chain-of-thought open source le mieux classé sur GitHub est deepseek-ai/DeepSeek-R1, avec 91,984 étoiles.
Quels langages de programmation sont les plus utilisés dans les dépôts #chain-of-thought ?
Parmi les projets #chain-of-thought les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript, TeX.
Comment le classement des dépôts #chain-of-thought est-il calculé ?
Nous suivons 52 dépôts open source actifs associés à #chain-of-thought (500+ étoiles), totalisant 248,031 étoiles, avec une moyenne de 4,769 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.