#moe リポジトリ
#moeのタグが付いた、GitHub上の34件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は317,125個で、プロジェクトあたりの平均は9,327個です。このトピックをリードしているのは、97,302個のスターを獲得しているvllm-project/vllmです。
リポジトリ合計34件
600以上のLLM(Qwen3.8、DeepSeek-V4、GLM-5.1、InternLM3、Llama4など)および300以上のMLLM(Qwen3-VL、Qwen3-Omni、InternVL3.5、Ovis2.5、GLM5.3、Gemma4、LLaVA、Phi4など)に対して、PEFTまたは全パラメータ学習を用いてCPT/SFT/DPO/GRPOを実行します(AAAI 2025)。
TensorRT LLM は、ユーザーが大規模言語モデル(LLM)を定義するための使いやすい Python API を提供し、NVIDIA GPU 上で効率的に推論を実行するための最先端の最適化をサポートします。TensorRT LLM には、パフォーマンスの高い方法で推論実行をオーケストレーションする Python および C++ ランタイムを作成するためのコンポーネントも含まれています。
2.78兆パラメータのKimi K3モデルが、8.24GBのRAMを搭載したシングルCPU上で推論を実行。ポータブルなC99実装:BLASなし、フレームワークなし、GPUなし。
:electron: React Nativeで構築されたAndroidおよびiOS向け非公式のhttps://bgm.tv UIファーストアプリクライアント。広告なし、趣味主導で利益を目的とせず、ACGに特化した豆瓣のような追番記録、bgm.tvのサードパーティクライアント。モバイル端末向けに再設計され、ウェブ版では実現しにくい多くの強化機能を内蔵し、かなりのカスタマイズオプションを提供します。現在、iOS / Androidに対応済みです。
GLM-5.3(744B)、DeepSeek-V4.1-Flash(748B)、MiniMax-M3.1-Flash(428B)、GLM-5.3-Flash(321B)、Hy4-Flash(220B)を自分のGPUで実行できます。8GBのVRAMから対応し、NVIDIAとAMDをサポート。1つのダッシュボードと、OpenAIおよびAnthropic互換APIを利用できます。
"The Sparsely-Gated Mixture-of-Experts Layer" (Noam Shazeer ら) の PyTorch 再実装 https://arxiv.org/abs/1701.06538
RAMの容量を超えるMoEモデルを実行。スマートフォン、ノートPC、エッジデバイスで最先端クラスのMoEを。ロスレスで、標準のllama.cpp上で動作。適応型ストリーミングオプティマイザー。あらゆるハードウェア、OS、モデル、量子化に対応し、ローカルのOpenAI互換サーバー経由で利用できます。
Tutel MoE:FP8/NVFP4/MXFP4を使用するGLM/Kimi/GPT/DeepSeek/Qwenをサポートする最適化Mixture-of-Expertsライブラリ
Kimi K3をCPU上でローカル実行します(測定実行時RAMは約55GB)。cPilot Runtimeを搭載したシングルファイルのLinux推論サーバーです。
cuDNN Frontendは、cuDNNライブラリへのNVIDIAのモダンなオープンソース・エントリーポイントであり、高性能なオープンソース・カーネルの成長を続けるコレクションです。
DeepSeek-V3/R1 671B の全パラメータファインチューニングのためのオープンソースソリューション。トレーニングから推論までの完全なコードとスクリプト、および実践的な経験と結論の一部が含まれています。
⚡ Apple Silicon向けネイティブMLX Swift LLM推論サーバー。OpenAI互換API、100B+ MoEモデル向けSSDストリーミング、TurboQuant KVキャッシュ圧縮、MACOS + iOS iPhoneアプリ。
[CVPR2026]🚀🚀🚀論文の公式コード "YOLO-Master: MOE-Accelerated と専門化されたトランスフォーマーによる強化リアルタイム検出." *(YOLO = You Only Look Once)* 🔥🔥🔥
純粋な Rust + CUDA の LLM 推論エンジン — PyTorch 不要、OpenAI 互換、Qwen3 から Kimi-K2 まで対応
32 GBのノートPCでQwen3-Next-80B(48 GB)を37 tok/sで実行。ドラフトなしでは24 tok/sで、llama.cppの2.8 tok/sを上回ります。読み込み速度は62 tok/s対16 tok/s。Q4_K_Mで比較した13モデルすべてでllama.cppより高速。RAM容量を超えるLLMを、純粋なCでCPUまたはGPU上で実行。
105 GBのAIモデルを、モデル全体を保存できないMacで実行。Qwen3.8-Flash-Nextの4ビット版をSSDからストリーミングし、メモリ16~64 GBのApple Silicon搭載Macで動作します。Swift、MLX、Metalによる完全ネイティブ実装。オフラインで動作し、Pythonは不要。CLI、Swiftライブラリ、Ollama/OpenAI/Anthropic APIに対応。Claude CodeおよびCodexでも利用できます。
AI秋採用向けのバイリンガル(中国語+英語)ML / LLM / diffusion / agent面接チートシート――ARIS /interview-cheatsheetで生成し、/render-htmlでどこでも読める単一ファイルHTMLに変換――に加え、CV→DBLPで事実確認した学術ホームページ生成器と、本人執筆の長文ブログ 🌱
RTX PRO 6000 / RTX 5090(sm_120)で動作する最先端MoEモデル:4基のRTX PRO 6000でのDeepSeek-V4.1-Flash、4基のRTX 5090でのGPU+CPUハイブリッド構成、およびvLLM v0.24.0での2ビットエキスパート
Xolotl:DeepSeek-V4.1-Flashを552Bパラメータすべてで、1台のゲーミングPC(RTX 4090 + RAM 110 GB)上のローカルコーディングエージェントとして実行。エージェント時は約33 tok/s、高速モードでは約41 tok/s、コンテキスト長は512K。さらに、Inkling-2-Mini(Thinking Machines独自エンジン + MTPドラフター)、GLM-5.3-Flash、Qwen3.8、LFM3-Omniにも対応。MoEエキスパートをVRAM、RAM、NVMeに階層的に配置(Xolotl Direct)。OpenAI + Anthropic API。
よくある質問
GitHubで最も人気のある#moeリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#moeプロジェクトは、97,302個のスターを獲得しているvllm-project/vllmです。LLM向けの高性能・メモリ効率の高い推論およびサービングエンジン
#moeリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#moeプロジェクトでは、Python, C++, C, Cudaが最も一般的なプログラミング言語です。
#moeリポジトリのランキングはどのように算出されていますか?
#moeのタグが付いた34件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は317,125個で、リポジトリあたりの平均は9,327個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。