#transformers Repository
Scopri 273 repository GitHub open source attivi contrassegnati con #transformers, che raccolgono un totale di 1,416,375 stelle (con una media di 5,188 stelle per progetto). Il progetto leader di questo argomento è microsoft/generative-ai-for-beginners, con 123,942 stelle.
273 repository in totale
Impara l’ingegneria dell’IA! Imparala. Costruiscila. Mettila a disposizione degli altri.
🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
ChatGLM-6B: Un modello linguistico di dialogo bilingue open source | Modello linguistico di dialogo bilingue open source
Implementazione del Vision Transformer, un modo semplice per raggiungere lo stato dell'arte nella classificazione visiva con un solo encoder transformer in Pytorch
Qwen3-VL è la serie di modelli linguistici di grandi dimensioni multimodali sviluppata dal team Qwen di Alibaba Cloud.
Piattaforma AI privata per agenti, assistenti e ricerca aziendale. Agent Builder integrato, ricerca approfondita, analisi dei documenti, supporto multi-modello e connettività API per agenti.
Una raccolta di varie architetture, modelli e suggerimenti di deep learning
Machine Learning all'avanguardia per il web. Esegui 🤗 Transformers direttamente nel tuo browser, senza bisogno di un server!
RWKV (pronunciato RwaKuv) è un RNN con ottime prestazioni LLM, che può anche essere addestrato direttamente come un transformer GPT (parallelizzabile). Siamo a RWKV-7 "Goose". Quindi combina il meglio di RNN e transformer - ottime prestazioni, tempo lineare, spazio costante (nessuna cache kv), addestramento veloce, ctx_len infinito e embedding di frasi gratuito.
Framework AI all-in-one per la ricerca semantica, l'orchestrazione LLM e i flussi di lavoro dei modelli linguistici
Serie ChatGLM3: LLM di conversazione bilingue aperti | LLM di conversazione bilingue aperti
Un metodo diretto per addestrare il tuo LLM, dal download dei dati alla generazione di testo.
Libreria LLM e SLM facile da usare e potente con un eccezionale zoo di modelli.
Un framework open-source per rilevare, redigere, mascherare e anonimizzare dati sensibili (PII) in testi, immagini e dati strutturati. Supporta NLP, corrispondenza di pattern e pipeline personalizzabili.
OpenVINO™ è un toolkit open source per l'ottimizzazione e il deployment dell'inferenza AI.
Modelli di segmentazione semantica con oltre 500 backbone convoluzionali e basati su transformer pre-addestrati.
Questo repository contiene demo che ho realizzato con la libreria Transformers di HuggingFace.
💥 Tokenizzatori all'avanguardia veloci ottimizzati per Ricerca e Produzione
Affina i LLM da un singolo YAML. Lo streaming a livelli addestra un modello da 8B su una GPU per laptop da 4 GB.
App di traduzione in tempo reale open source per Android che funziona localmente
Un framework RL agentico facile da usare, scalabile e ad alte prestazioni basato su Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA e Sol: modelli generativi efficienti e motori full-stack per l’addestramento e l’inferenza nella modellazione di immagini, video e del mondo
Piattaforma open source per l’inferenza di modelli linguistici, visivi, di embedding, reranking, immagini, audio e video. Distribuisci più motori su hardware eterogeneo, da un laptop a un cluster distribuito. Fornisci modelli tramite API compatibili con OpenAI.
[NeurIPS 2024 Best Paper Award][GPT batte la diffusione🔥] [Leggi di scala nella generazione visiva📈] Implementazione ufficiale di "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Un codebase *ultra-semplice, facile da usare ma all'avanguardia* per la generazione autoregressiva di immagini!
Accelerare l'inferenza e il fine tuning di LLM locali (LLaMA, Mistral, ChatGLM, Qwen, DeepSeek, Mixtral, Gemma, Phi, MiniCPM, Qwen-VL, MiniCPM-V, ecc.) su Intel XPU (ad es., PC locale con iGPU e NPU, GPU discreta come Arc, Flex e Max); integrazione seamless con llama.cpp, Ollama, HuggingFace, LangChain, LlamaIndex, vLLM, DeepSpeed, Axolotl, ecc.
Una libreria text-to-speech (TTS), speech-to-text (STT) e speech-to-speech (STS) basata sul framework MLX di Apple, che fornisce un'efficiente analisi vocale su Apple Silicon.
Implementazione di RLHF (Reinforcement Learning with Human Feedback) sull'architettura PaLM. Fondamentalmente ChatGPT ma con PaLM
Un'implementazione di trasformatori autoregressivi a parallelismo di modello su GPU, basata sulle librerie Megatron e DeepSpeed
SD.Next: WebUI tutto-in-uno per la creazione, la captioning e l'elaborazione di immagini e video generati dall'IA
Chronos: Modelli pre-addestrati per la previsione di serie temporali
Questo repository è una raccolta curata di collegamenti a vari corsi e risorse sull'intelligenza artificiale (AI)
Versione cinese di CLIP che ottiene il recupero cross-modale e la generazione di rappresentazioni in cinese.
⚡ Motore di inferenza WebGPU in Rust puro — Compatibile con le API OpenAI, nativo GGUF, funziona su qualsiasi GPU. Niente Python. Niente llama.cpp. Singolo binario.
Un trasformatore full-attention conciso ma completo con una serie di promettenti funzionalità sperimentali da vari articoli
Ricette robuste per allineare i modelli linguistici alle preferenze umane e dell'IA
Domande frequenti
Qual è il repository #transformers più popolare su GitHub?
Il progetto open source #transformers più alto in classifica su GitHub è microsoft/generative-ai-for-beginners, con 123,942 stelle. 21 Lezioni, Inizia a Costruire con l'IA Generativa
Quali linguaggi di programmazione sono più utilizzati nei repository #transformers?
Tra i progetti #transformers più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, Rust, JavaScript.
Come viene calcolata la classifica dei repository #transformers?
Monitoriamo 273 repository open source attivi contrassegnati con #transformers (500+ stelle), per un totale di 1,416,375 stelle e una media di 5,188 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.