#jax Dépôts
138 dépôts au total
Un package d'apprentissage profond pour la représentation de l'énergie potentielle à plusieurs corps et la dynamique moléculaire
Une boîte à outils de recherche JAX pour la construction, l'édition et la visualisation de réseaux neuronaux.
Annotations de type et vérification à l'exécution pour la forme et le dtype des tableaux JAX/NumPy/PyTorch/etc. https://docs.kidger.site/jaxtyping/
AVERTISSEMENT : le projet Katib est OBSOLÈTE. Les utilisateurs doivent migrer vers OptimizationJob et Kubeflow Trainer.
Accueil de "How To Scale Your Model", un court manuel de style blog sur la mise à l'échelle des LLM sur TPU
Benchmark d'apprentissage par imitation axé sur des tâches de locomotion complexes utilisant MuJoCo.
MACE – Potentiels interatomiques d'apprentissage automatique rapides et précis avec passage de messages équivariants d'ordre supérieur.
Ce dépôt fournit le code et les points de contrôle du modèle pour les projets de recherche AIMv1 et AIMv2.
Station de travail audio numérique avec Python ; instruments/effets VST, automatisation des paramètres, FAUST, JAX, marqueurs de déformation et processeurs JUCE
Une implémentation multi-backend de l'API Keras, avec prise en charge de TensorFlow, JAX et PyTorch.
💁 Impressionnant trésor de modèles Transformer pour le traitement du langage naturel contenant des articles, des vidéos, des blogs, des dépôts officiels ainsi que des notebooks Colab. 🛫☑️
Bibliothèque modulaire d'apprentissage par renforcement (RL) (implémentée en PyTorch, JAX et NVIDIA Warp) avec prise en charge de Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground et d'autres environnements
🦁 Une base de code conviviale pour la recherche pour une expérimentation rapide de l'apprentissage par renforcement multi-agents dans JAX
Un framework de service de modèle ML haute performance, offre le traitement par lots dynamique et les pipelines CPU/GPU pour exploiter pleinement votre machine de calcul
🕹️ Une suite diversifiée d'environnements évolutifs d'apprentissage par renforcement en JAX
SERL : Une suite logicielle pour l'apprentissage par renforcement robotique efficace en termes d'échantillons
Une implémentation du réseau neuronal fermionique pour les calculs ab-initio de structure électronique
Modèles OCR légers et rapides pour la reconnaissance de texte des plaques d'immatriculation.
Modèles ouverts de niveau frontière sur un TPU v5e-8 gratuit de Kaggle : GLM-5.3-Flash 320B MoE (~165 tok/s, avec notre propre moteur JAX) et Qwen3.8-27B bf16 (~130 tok/s), contexte de 262k et mise en cache des préfixes. Compatible avec Claude Code, Codex, opencode et pi.
Outils de transport optimaux implémentés avec le framework JAX, pour résoudre des problèmes de mise en correspondance à grande échelle de toute nature.
Tevatron - Boîte à outils unifiée de récupération de documents à travers l'échelle, la langue et la modalité. Démo à SIGIR 2023, SIGIR 2025.