#information-retrieval Dépôts
146 dépôts au total
😎 Liste géniale de Library Genesis, la plus grande bibliothèque gratuite au monde.
Une API unifiée, légère et à faible dépendance pour utiliser tous les modèles courants de réordonnancement et de cross-encoder.
20 nov. 2017 -- Un moteur de recherche distribué open source et un spider/crawler écrit en C/C++ pour Linux sur Intel/AMD. De gigablast dot com, qui propose des binaires à télécharger. Consultez le fichier README.md tout en bas de cette page pour les instructions.
Ce dépôt comprend l'implémentation officielle d'OpenScholar : Synthesizing Scientific Literature with Retrieval-augmented LMs.
Liste de logiciels permettant de rechercher sur le web avec l'aide de l'IA : https://hf.co/spaces/felladrin/awesome-ai-web-search
Nouveau plugin de source de métadonnées Douban pour Calibre. Douban ne fournit plus d'API de livres au public, il ne peut donc utiliser que le web crawling pour obtenir des données. Ceci est un plugin Calibre Douban basé sur le web crawling.
Inférence, ingestion et indexation hautement performantes, modulaires, sécurisées en mémoire et prêtes pour la production, construites en Rust 🦀
Outil de collecte d'informations - Énumération DNS / Sous-domaines / Ports / Répertoires
Anserini est un kit d'outils Lucene pour la recherche en récupération d'information reproductible.
OpenScholarXIV est une application open-source, esthétique, minimaliste et alimentée par l'IA qui permet aux utilisateurs de rechercher, lire, mettre en favori, partager, télécharger et consulter des résumés d'articles universitaires provenant du dépôt arXiv.
CLI ouvert pour intégrer la recherche, la recommandation et la récupération conversationnelle de l'IA dans les systèmes d'agents et les systèmes d'entreprise
Une alternative simple à Spritz, open source et basée sur le terminal (RSVP mot par mot aligné sur des points de lecture optimaux)
RAFT contient des algorithmes et des primitives fondamentaux et largement utilisés pour l'apprentissage automatique et la récupération d'informations. Les algorithmes sont accélérés par CUDA et forment des blocs de construction pour écrire plus facilement des applications haute performance.
Un plan pour la construction de systèmes RAG prêts pour la production qui minimisent les hallucinations, avec des pipelines commutables à 3 étapes (Vitesse) et 4 étapes (Précision).
Outils et frameworks complets pour le développement de modèles fondamentaux adaptés aux systèmes de recommandation.
allRank est un framework pour entraîner des modèles neuronaux d'apprentissage pour le classement basés sur PyTorch.
RAG-Fusion : génération multi-requêtes + fusion de rangs réciproques pour une meilleure génération augmentée par récupération. Inclut un harness d'évaluation avec NFCorpus/BEIR.
FactCircuit : une boucle auditable de vérification des affirmations et des preuves, avec une provenance immuable, des contrôles par étapes, une récupération limitée et une évaluation reproductible.
Un tutoriel Langchain RAG amélioré (v2) avec des LLM locaux, des mises à jour de base de données et des tests.
Un outil OSINT pour collecter des informations sur les numéros de téléphone
[EMNLP'25] s3 - ⚡ Entraînement Efficace et Performant des Agents de Recherche via RL pour RAG (RLVR pour la Recherche avec des Données Minimales)