Git Stars Git Stars

#sparse-attention Repositórios

Descubra 18 repositórios ativos de código aberto no GitHub marcados com #sparse-attention, acumulando um total de 62,491 estrelas (uma média de 3,471 por projeto). O líder deste tópico é deepseek-ai/FlashMLA, com 13,275 estrelas.

18
Total de Repositórios
62,491
Total de estrelas
3,471
Média de Estrelas/Repositório
Linguagens de programação: Python C++ Jupyter Notebook Cuda

18 repositórios no total

1
deepseek-ai/FlashMLA

FlashMLA: Núcleos Eficientes de Atenção Latente de Múltiplas Cabeças

deepseek-ai
⭐ 13,275 C++ 👤 deepseek-ai Organization 🕐 Atualizado 2026-10-27 📅 Criado 2025-02-21
2
PKU-YuanGroup/Open-Sora-Plan

Este projeto visa reproduzir Sora (modelo T2V da OpenAI), e desejamos que a comunidade de código aberto contribua para este projeto.

PKU-YuanGroup
⭐ 12,201 Python 👤 PKU-YuanGroup Organization 🕐 Atualizado 2026-11-18 📅 Criado 2024-02-20
3
OpenBMB/MiniCPM

MiniCPM5: LLMs de ponta no dispositivo, pequenos porém poderosos.

OpenBMB
⭐ 11,898 Jupyter Notebook 👤 OpenBMB Organization 🕐 Atualizado 2026-11-09 📅 Criado 2024-01-29
7
Tencent-Hunyuan/Prism

Propomos o Prism, uma estrutura de atenção esparsa dinâmica para treinar nativamente modelos de geração conjunta de vídeo e áudio em 2K.

Tencent-Hunyuan
⭐ 1,518 Python 👤 Tencent-Hunyuan Organization 🕐 Atualizado 2026-10-31 📅 Criado 2026-09-21
8
thu-ml/SpargeAttn

[ICML2025] SpargeAttention: Uma atenção esparsa sem treinamento que acelera qualquer inferência de modelo.

thu-ml
⭐ 1,269 Cuda 👤 thu-ml Organization 🕐 Atualizado 2026-02-25 📅 Criado 2025-02-25
9
microsoft/MInference

[Destaque NeurIPS'24, ICLR'25, ICML'25] Para acelerar a inferência de LLMs de contexto longo, o cálculo esparso, aproximado e dinâmico é aplicado à atenção, o que reduz a latência de inferência em até 10x no pré-preenchimento em uma A100, mantendo a precisão.

microsoft
⭐ 1,230 Python 👤 microsoft Organization 🕐 Atualizado 2026-11-18 📅 Criado 2024-05-22
10
Tencent/hpc-ops

Biblioteca de Operadores de Inferência LLM de Alto Desempenho

Tencent
⭐ 1,193 C++ 👤 Tencent Organization 🕐 Atualizado 2026-11-19 📅 Criado 2026-01-20
11
fla-org/native-sparse-attention

🐳 Implementações Triton eficientes para "Atenção Esparsa Nativa: Atenção Esparsa Alinhada ao Hardware e Nativa para Treinamento"

fla-org
⭐ 1,030 Python 👤 fla-org Organization 🕐 Atualizado 2026-02-05 📅 Criado 2025-02-21
12
mit-han-lab/omniserve

[MLSys'25] QServe: Quantização W4A8KV4 e Co-design de Sistema para Servir LLM de Forma Eficiente; [MLSys'25] LServe: Servir LLM de Sequência Longa de Forma Eficiente com Atenção Esparsa Unificada

mit-han-lab
⭐ 840 C++ 👤 mit-han-lab Organization 🕐 Atualizado 2025-03-06 📅 Criado 2024-05-06
13
SHI-Labs/NATTEN

Atenção Esparsa Multidimensional Rápida

SHI-Labs
⭐ 815 C++ 👤 SHI-Labs Organization 🕐 Atualizado 2026-07-26 📅 Criado 2022-10-08
14
lucidrains/native-sparse-attention-pytorch

Implementação do padrão de atenção esparsa proposto pela equipe Deepseek em seu artigo "Native Sparse Attention"

lucidrains
⭐ 811 Python 👤 lucidrains User 🕐 Atualizado 2025-08-15 📅 Criado 2025-02-19
15
HKUSTDial/flash-sparse-attention

Atenção esparsa treinável, rápida e eficiente em memória

HKUSTDial
⭐ 750 Python 👤 HKUSTDial Organization 🕐 Atualizado 2026-11-20 📅 Criado 2025-05-12
16
svg-project/Sparse-VideoGen

[ICML2025, NeurIPS2025 Destaque] Sparse VideoGen 1 & 2: Acelerando Transformadores de Difusão de Vídeo com Atenção Esparsa

svg-project
⭐ 712 Python 👤 svg-project User 🕐 Atualizado 2026-07-04 📅 Criado 2025-03-09
17
mit-han-lab/radial-attention

[NeurIPS 2025] Atenção Radial: Atenção Esparsa O(nlogn) com Decaimento de Energia para Geração de Vídeos Longos

mit-han-lab
⭐ 609 Python 👤 mit-han-lab Organization 🕐 Atualizado 2025-11-11 📅 Criado 2025-06-19
18
thu-ml/SLA

SLA: Além da esparsidade em transformadores de difusão por meio de atenção esparsa-linear ajustável

thu-ml
⭐ 553 Python 👤 thu-ml Organization 🕐 Atualizado 2026-10-18 📅 Criado 2025-09-25

Perguntas Frequentes

1

Qual é o repositório de #sparse-attention mais popular no GitHub?

O projeto de código aberto de #sparse-attention mais bem classificado no GitHub é deepseek-ai/FlashMLA, com 13,275 estrelas. FlashMLA: Núcleos Eficientes de Atenção Latente de Múltiplas Cabeças

2

Quais linguagens de programação são mais usadas nos repositórios de #sparse-attention?

Entre os projetos de #sparse-attention mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, C++, Jupyter Notebook, Cuda.

3

Como é calculada a classificação dos repositórios de #sparse-attention?

Acompanhamos 18 repositórios ativos de código aberto marcados com #sparse-attention (com mais de 500 estrelas), totalizando 62,491 estrelas e uma média de 3,471 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.