#information-retrieval Репозитории
Всего репозиториев: 146
😎 Потрясающий список Library Genesis, крупнейшей бесплатной библиотеки в мире.
Легкий, низкозависимый, унифицированный API для использования всех распространенных моделей переранжирования и кросс-кодировщиков.
20 ноября 2017 -- Распределённый движок поиска с открытым исходным кодом и паук/краулер, написанный на C/C++ для Linux на Intel/AMD. От gigablast dot com, где доступны бинарные файлы для загрузки. См. файл README.md в самом низу этой страницы для инструкций.
Этот репозиторий включает официальную реализацию OpenScholar: Синтез научной литературы с использованием LM с расширенным поиском.
Список программного обеспечения, позволяющего осуществлять поиск в Интернете с помощью искусственного интеллекта: https://hf.co/spaces/felladrin/awesome-ai-web-search
Новый плагин источника метаданных Douban для Calibre. Douban больше не предоставляет публичные API для книг, поэтому для получения данных можно использовать только веб-скрапинг. Это плагин Douban для Calibre, основанный на веб-скрапинге.
Высокопроизводительное, модульное, безопасное по памяти и готовое к эксплуатации решение для инференса, приема данных и индексирования, разработанное на Rust 🦀
Инструмент сбора информации - перечисление DNS / поддоменов / портов / каталогов
Anserini — это набор инструментов Lucene для воспроизводимого исследования по извлечению информации.
OpenScholarXIV — это приложение с открытым исходным кодом, эстетичное, минималистичное и работающее на базе ИИ, которое позволяет пользователям искать, читать, добавлять в закладки, делиться, скачивать и просматривать аннотации к научным статьям из репозитория arXiv.
Открытый CLI для интеграции поиска, рекомендаций и диалогового поиска на основе ИИ в агентные системы и бизнес-системы
Простой терминальный аналог Spritz с открытым исходным кодом (RSVP по словам, выровненный по оптимальным точкам чтения)
RAFT содержит фундаментальные широко используемые алгоритмы и примитивы для машинного обучения и информационного поиска. Алгоритмы ускорены с помощью CUDA и формируют строительные блоки для более легкой записи высокопроизводительных приложений.
План для создания готовых к производству RAG-систем, минимизирующих галлюцинации, с переключаемыми 3-ступенчатыми (Скорость) и 4-ступенчатыми (Точность) конвейерами.
Комплексные инструменты и фреймворки для разработки базовых моделей, адаптированных под рекомендательные системы.
allRank — это фреймворк для обучения нейронных моделей обучения ранжированию на основе PyTorch.
RAG-Fusion: генерация множественных запросов + слияние взаимных рангов для лучшей генерации, дополненной поиском. Включает тестовый harness с NFCorpus/BEIR.
FactCircuit: проверяемый аудитом цикл верификации утверждений и доказательств с неизменяемой информацией о происхождении, поэтапными проверками, ограниченным поиском и воспроизводимой оценкой.
Улучшенное руководство Langchain RAG (v2) с локальными LLM, обновлениями базы данных и тестированием.
[EMNLP'25] s3 - ⚡ Эффективное и результативное обучение поисковых агентов с помощью ОП для RAG (RLVR для поиска с минимальным объемом данных)