#triton Dépôts
Découvrez 22 dépôts GitHub open source actifs associés à #triton, cumulant 37,530 étoiles au total (soit une moyenne de 1,705 étoiles par projet). Le projet en tête de ce thème est gpu-mode/lectures, avec 7,109 étoiles.
22 dépôts au total
[ICLR2025, ICML2025, NeurIPS2025 Spotlight] L'attention quantifiée (Quantized Attention) atteint une accélération de 2 à 5 fois par rapport à FlashAttention, sans perte de métriques de bout en bout sur les modèles de langage, d'image et de vidéo.
LeetCode pour PyTorch — 65 problèmes d’entretien en ML/IA issus de véritables entretiens chez Google, Meta et Anthropic. Des notebooks Jupyter, un correcteur automatique et un tuteur IA basé sur MCP.
Compilateur open-source CUDA, Triton et HIP ciblant de multiples architectures GPU et CPU.
AutoResearch pour les kernels GPU. Donnez-lui n'importe quel modèle PyTorch, laissez-le dormir, et réveillez-le pour obtenir des kernels Triton optimisés.
Kernl vous permet d'exécuter des modèles transformer PyTorch plusieurs fois plus rapidement sur GPU avec une seule ligne de code, et est conçu pour être facilement personnalisable.
Compilateur PyTorch qui accélère l'entraînement et l'inférence. Obtenez des optimisations intégrées pour la performance, la mémoire, le parallélisme, et écrivez facilement les vôtres.
FlagGems est une bibliothèque d'opérateurs pour les grands modèles linguistiques implémentée dans le langage Triton.
Algorithmes et systèmes de LLM en pratique avec PyTorch, Triton et CUDA. « Tutoriel sur les algorithmes et systèmes de LLM » : architectures et entraînement des modèles, post-entraînement, accélération de l’inférence, optimisation des performances et des opérateurs, avec des exercices Notebook, des explications des réponses, des tests et des expériences.
🚀🚀🚀Une collection de quelques projets publics impressionnants sur les grands modèles de langue (LLM), les modèles de vision et de langue (VLM), l'action vision-langage (VLA), le contenu généré par l'IA (AIGC), les ensembles de données et applications associés.
Accélération de MoE avec des optimisations tenant compte de l'IO et des tuiles
Puzzles pour apprendre Triton, jouez-y avec une configuration minimale de l'environnement !
SparkDiffusion : accélérer la génération vidéo avec DiT de 265× grâce à la parcimonie, à la distillation, à la quantification conjointes, etc.
Module noyau Linux pour prendre en charge le mode Turbo et le clavier RVB pour la série d'ordinateurs portables Acer Predator
Un sous-ensemble des modules de réseau neuronal de PyTorch, écrits en Python à l'aide de Triton d'OpenAI.
Du professeur aux tuiles — un moteur de distillation et de service LLM construit de zéro : noyaux Triton/CUDA personnalisés, distillation FSDP, traitement par lots continu avec KV paginé, décodage spéculatif, une passerelle Rust, un oracle JAX et des outils d'interprétabilité.
🚀🚀🚀 Ce dépôt répertorie quelques projets publics impressionnants liés à CUDA, cuda-python, cuBLAS, cuDNN, CUTLASS, TensorRT, TensorRT-LLM, Triton, TVM, MLIR, PTX et au calcul haute performance (HPC).
Foire aux questions
Quel est le dépôt #triton le plus populaire sur GitHub ?
Le projet #triton open source le mieux classé sur GitHub est gpu-mode/lectures, avec 7,109 étoiles. Matériel pour les conférences en mode gpu
Quels langages de programmation sont les plus utilisés dans les dépôts #triton ?
Parmi les projets #triton les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Cuda, C.
Comment le classement des dépôts #triton est-il calculé ?
Nous suivons 22 dépôts open source actifs associés à #triton (500+ étoiles), totalisant 37,530 étoiles, avec une moyenne de 1,705 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.