"ggml"

handy-computer/transcribe.cpp

transcribe.cpp：语音转文字工具 — transcribe.cpp是一个基于ggml库的语音转文字工具，支持超过16种不同的模型家族。它能够高效地将语音转换为文本，适用于多种应用场景。

C++★ 1.4k⑂ 35other

+395 ★☆

dmlc/xgboost

xgboost：分布式梯度提升库 — xgboost是一个高性能的机器学习库，支持分布式计算，能够运行在单机、Hadoop、Spark、Dask、Flink和DataFlow等多种环境中。它提供了GBDT、GBRT和GBM等多种梯度提升算法，广泛应用于数据科学和机器学习领域。xgboost的可扩展性和高性能使其成为数据科学家和机器学习工程师的首选工具

C++★ 28.6k⑂ 8.9kai-ml

☆

sgl-project/sglang

sglang：高性能语言模型服务框架 — sglang提供了高效的模型服务能力，支持多种模型类型，包括语言模型和多模态模型。它使用Python语言开发，能够有效地提升模型的服务性能和扩展性。sglang的出现对于提高AI模型的服务能力和实用性具有重要意义。

Python★ 29.9k⑂ 6.9kai-ml

☆

LC044/WeChatMsg

WeChatMsg：微信消息处理工具 — WeChatMsg是一个微信消息处理工具，使用PyQt作为开发框架，集成了ChatGPT和LLMS功能，能够实现智能化的微信消息处理。该工具能够帮助用户更好地管理微信消息，提高工作效率。同时，WeChatMsg也为开发者提供了一个灵活的框架，方便扩展和定制。

★ 41.9k⑂ 5.2kai-ml

☆

binary-husky/gpt_academic

gpt_academic：大语言模型实用化交互接口 — gpt_academic是一个模块化设计的项目，支持自定义快捷按钮和函数插件，能够对Python和C++等项目进行剖析和自译解，提供PDF/LaTex论文翻译和总结功能。同时，它支持并行问询多种LLM模型，包括chatglm3等本地模型。该项目能够接入多个第三方服务，包括通义千问、deepseekcoder、讯飞星火、文心一言、llama2、rwkv、claude2和moss等

Python★ 71.1k⑂ 8.3kai-ml

☆

microsoft/graphrag

graphrag：基于图的检索增强生成系统 — graphrag是一个基于图的检索增强生成（RAG）系统，使用Python语言开发。该系统能够提高生成模型的性能和效率，特别是在处理大规模数据时。graphrag的模块化设计使其易于扩展和定制，适用于各种自然语言处理任务。

Python★ 34.5k⑂ 3.6kai-ml

☆

ollama/ollama

ollama：基于Go的AI模型运行平台 — ollama提供了一个简单易用的方式来部署和运行各种AI模型，支持多种模型的集成和扩展。通过ollama，开发者可以快速地将AI模型应用于实际项目中，提高开发效率和模型的利用率。同时，ollama的开源性质也使得其可以被广泛定制和扩展，满足不同开发者的需求

Go★ 176.5k⑂ 17kai-ml

☆

GokuMohandas/Made-With-ML

Made-With-ML：机器学习应用开发部署指南 — Made-With-ML 项目旨在帮助开发者学习如何开发、部署和迭代生产级机器学习应用，涵盖了数据工程、数据质量、深度学习等多个方面。通过该项目，开发者可以掌握机器学习应用的开发、部署和迭代流程，提高机器学习应用的质量和效率。同时，项目还涉及了 MLOps、自然语言处理、PyTorch 等热门技术。

Jupyter Notebook★ 48.8k⑂ 7.7kai-ml

☆

zml/zml

zml：零损害的AI模型部署 — zml项目旨在打破AI模型部署的硬件限制，允许用户在任何硬件上部署任何模型，使用Zig语言和OpenXLA、MLIR、Bazel等技术，实现高性能和灵活的AI模型部署。该项目对于AI应用的开发和部署具有重要意义。通过zml，开发者可以更容易地将AI模型部署到不同的硬件平台上，提高AI应用的效率和可靠性。

Zig★ 3.9k⑂ 170ai-ml

☆

tonybanters/oxwm

oxwm：一个Zig编写的窗口管理器 — oxwm是一个使用Zig语言开发的窗口管理器，旨在提供高效和可定制的窗口管理功能。oxwm的开发使用了Zig语言，这是一种现代的系统编程语言。oxwm的出现为用户提供了一个新的窗口管理选择

Zig★ 859⑂ 62other

☆

rasbt/LLMs-from-scratch

LLMs-from-scratch：从零开始实现类似ChatGPT的LLM — LLMs-from-scratch项目旨在从零开始实现一个类似ChatGPT的LLM，使用PyTorch作为底层框架。该项目提供了详细的教程和实现细节，帮助开发者了解LLM的内部工作原理和实现细节。通过该项目，开发者可以更好地理解LLM的优势和局限性，并应用于实际的自然语言处理任务中

Jupyter Notebook★ 99.4k⑂ 15.3kai-ml

☆

deepset-ai/haystack

haystack：开源AI编排框架 — haystack允许用户设计模块化的管道和agent工作流，并对检索、路由、内存和生成具有明确的控制权。它适用于大规模agent、RAG、多模态应用、语义搜索和对话系统。haystack的目的是为了帮助用户构建高效、智能的LLM应用程序

MDX★ 25.9k⑂ 2.9kai-ml

☆

tensorflow/tensorflow

tensorflow：开源机器学习框架 — tensorflow是一个开源的机器学习框架，提供了广泛的工具和资源，用于构建和训练机器学习模型。它支持多种编程语言，包括C++和Python，并提供了分布式训练和部署的能力。tensorflow在深度学习和神经网络领域具有广泛的应用和影响力

C++★ 196.4k⑂ 75.6kai-ml

☆

tmux-plugins/tpm

tpm：Tmux 插件管理器 — tpm 可以帮助用户轻松安装、更新和管理 Tmux 插件，提高 Tmux 的使用效率和体验。通过使用 tpm，用户可以方便地扩展 Tmux 的功能，提高工作效率。同时，tpm 也提供了便捷的插件管理功能，帮助用户更好地管理 Tmux 插件。

Shell★ 14.9k⑂ 500other

☆

vllm-project/vllm

vllm：高性能LLM推理和服务引擎 — vllm是一个高性能的LLM推理和服务引擎，能够支持多种硬件平台，包括CUDA、TPU等。它使用PyTorch等框架，提供高吞吐量和内存高效的推理和服务能力。vllm的出现可以帮助提高LLM的推理和服务效率，减少计算资源的消耗

Python★ 86.6k⑂ 19.6kai-ml

☆

ageron/handson-ml2

handson-ml2：机器学习实践 — handson-ml2 是一个使用 Jupyter Notebook 的机器学习实践项目，提供了多种机器学习算法和技术的实现。该项目现已弃用，但仍然可以作为机器学习入门的参考。用户可以从中学习到机器学习的基本概念和方法

Jupyter Notebook★ 29.9k⑂ 13.2kother

☆

maximhq/bifrost

bifrost：企业AI网关 — bifrost是目前最快的企业AI网关，能够以每秒5千次请求的速度运行，开销低于100微秒。它支持1000+模型，并具有集群模式、防护栏和自适应负载均衡器等功能。bifrost的出现可以帮助企业更好地利用AI技术，提高效率和降低成本。

Go★ 6k⑂ 807ai-ml

☆

HandBrake/HandBrake

HandBrake：视频转码软件 — HandBrake 是一个免费、开源的视频转码软件，支持多种视频格式和设备。它可以将视频文件转码为其他格式，以便在不同设备上播放。HandBrake 的开发仓库包含了其源代码和开发文档

C★ 23.8k⑂ 1.7kother

☆

ultralytics/yolov5

yolov5：实时物体检测算法 — yolov5 是一个高性能的实时物体检测算法，能够实时检测图像和视频中的物体。它使用 PyTorch 作为后端，支持 ONNX、CoreML 和 TFLite 部署，适用于各种应用场景。yolov5 的高性能和灵活性使其成为机器学习和计算机视觉领域的热门选择

Python★ 57.7k⑂ 17.5kai-ml

☆

unslothai/unsloth

unsloth：本地运行开放模型的网页界面 — unsloth 提供了一个用户友好的界面，用于训练和运行各种开放模型。它支持多种模型，如 Gemma 4、Qwen3.6、DeepSeek 和 gpt-oss，能够满足不同用户的需求。通过 unsloth，用户可以在本地环境中训练和运行这些模型，从而提高效率和安全性

Python★ 68.4k⑂ 6.2kai-ml

☆

microsoft/BitNet

BitNet：1位LLM推理框架 — BitNet是微软开发的官方1位LLM推理框架，用于支持低位深度神经网络的高效推理。它能够有效地优化1位LLM的性能，提高推理速度。BitNet的出现对推动低位深度神经网络的发展具有重要意义

C++★ 39.8k⑂ 3.7kai-ml

☆

jbeder/yaml-cpp

yaml-cpp：C++ YAML 解析器和发射器 — yaml-cpp 提供了 YAML 解析和发射功能，允许 C++ 应用程序轻松处理 YAML 数据。它支持各种 YAML 特性，包括映射、序列和标量。通过使用 yaml-cpp，开发人员可以轻松地在应用程序中集成 YAML 支持

C++★ 6.1k⑂ 2.3kother

+69 ★☆

playcanvas/supersplat

supersplat：3D 高斯斑点编辑器 — supersplat 是一个基于 WebGL 和 WebGPU 的 3D 高斯斑点编辑器，允许用户创建和编辑复杂的 3D 高斯斑点效果。它使用 TypeScript 编写，提供了强大的编辑功能和灵活的自定义选项。supersplat 的出现为 3D 图形设计和游戏开发提供了新的可能性。

TypeScript★ 9.6k⑂ 1.1ktools

☆

mem0ai/mem0

mem0：通用人工智能记忆层 — mem0为AI代理提供了一个通用记忆层，能够实现长期记忆和状态管理。这种能力对于AI代理的决策和学习能力至关重要。通过使用mem0，开发者可以更容易地构建智能的AI代理。

TypeScript★ 61.2k⑂ 7.1kai-ml

☆

microsoft/WSL

WSL：Windows下的Linux子系统 — WSL提供了一个运行Linux环境的平台，允许开发者在Windows上直接运行Linux命令和工具。这种集成使得开发者可以更方便地在Windows上进行Linux开发。WSL的出现提高了开发效率和灵活性

C++★ 33.1k⑂ 1.8kother

☆

chenfei-wu/TaskMatrix

TaskMatrix：任务管理矩阵 — TaskMatrix是一个开源的任务管理平台，使用Python语言开发。它提供了一个简单易用的接口，帮助用户管理和跟踪任务。通过TaskMatrix，用户可以高效地组织和优先级任务，从而提高生产力。

Python★ 34.1k⑂ 3.2kother

☆

mozilla-ai/llamafile

llamafile：单文件LLM分发与运行 — llamafile通过提供单文件执行方式简化了LLM的分发和运行过程，使得用户可以更容易地在不同平台上部署和使用LLM。这种方法提高了效率和便捷性，特别是在跨平台和本地推理场景中。同时，llamafile作为开源项目，促进了人工智能的发展和应用。

C++★ 25.4k⑂ 1.5kai-ml

☆

zai-org/GLM-5

GLM-5：从振动编码到代理工程 — GLM-5是一个开源项目，旨在将编码从单纯的振动编码转变为代理工程，通过这种方式提高编码的效率和质量。GLM-5的目标是让开发者能够更好地控制和管理代码，提高代码的可读性和可维护性。同时，GLM-5也为开发者提供了一个新的视角来看待编码和软件开发。

★ 4.7k⑂ 472other

+480 ★☆

go-pg/pg

pg：PostgreSQL 的 Golang ORM — pg 提供了高效的 PostgreSQL 数据库操作能力，支持 hstore 和 jsonb 数据类型，能够满足复杂的数据存储和查询需求。通过使用 pg，开发者可以更方便地构建高性能的数据驱动应用。同时，pg 的简单易用使其成为 Golang 开发者的首选 ORM 库

Go★ 5.8k⑂ 413backend

☆

hiyouga/LlamaFactory

LlamaFactory：统一高效微调 — LlamaFactory实现了对100多个LLMs和VLMs的统一高效微调，支持多种微调方法，包括fine-tuning、instruction-tuning和Lora等。该项目使用Python语言开发，基于Transformers库，能够高效地微调大语言模型。LlamaFactory的出现对于自然语言处理（NLP）领域具有重要意义，能够帮助研究人员和开发人员更好地利用大语言模型

Python★ 73.4k⑂ 9kai-ml

☆

showdownjs/showdown

showdown：Markdown 转换器 — showdown 可以实现 Markdown 和 HTML 之间的相互转换，支持多种 Markdown 风格，包括 GFM。这种转换功能对于需要在不同格式之间切换的开发者和用户来说非常重要。同时，showdown 的双向转换能力也使其在数据交换和格式兼容性方面具有广泛的应用场景。

JavaScript★ 14.9k⑂ 1.6kweb

☆

assafelovic/gpt-researcher

gpt-researcher：深度研究自动化代理 — gpt-researcher是一个使用Python编写的自动化代理，能够对任何数据进行深度研究。它支持任何LLM提供商，实现了数据的自动化搜索和分析。这种自动化的研究能力使得gpt-researcher在数据分析和研究领域具有重要的应用价值

Python★ 28.5k⑂ 3.8kai-ml

☆

neurosnap/zmx

zmx：终端会话管理 — zmx提供了简单的会话管理功能，允许用户轻松地附加和分离会话。该工具利用Zig语言的优势，实现了高效和可靠的会话管理。通过zmx，用户可以更好地管理终端会话，提高工作效率。

Zig★ 1.9k⑂ 119tools

☆

datawhalechina/happy-llm

happy-llm：从零开始构建大模型 — happy-llm 项目旨在提供一个构建大模型的框架，利用 Jupyter Notebook 实现模型的开发和部署。该项目的主要目的是让开发者能够从零开始构建大模型，实现高效的模型开发和应用。同时，happy-llm 项目也提供了一个学习和研究的大模型构建方法

Jupyter Notebook★ 32.2k⑂ 3.1kai-ml

☆