Стандартная библиотека для эмбеддингов предложений: сотни готовых моделей и простой API для семантического поиска.
Ультрабыстрый ИИ-шлюз с открытым кодом: единая точка для сотни LLM с кэшем, фолбэками и наблюдаемостью — на edge.
Нодовый интерфейс генерации изображений: визуальные графы рабочих процессов делают сложные пайплайны воспроизводимыми.
Официальный Python SDK для Gemini API и Vertex AI: мультимодальные запросы, функции, кэширование и живые сессии.
Официальный Python-клиент OpenAI: чат, функции, ассистенты, стриминг и все новые возможности API.
Быстрый сервер инференса LLM от исследователей: RadixAttention для переиспользования кэша и сложные программы генерации.
Дообучение LLM через YAML-конфиг: один файл описывает модель, данные и метод — фреймворк делает всё остальное.
Официальный MCP-сервер ElevenLabs: агенты получают голоса — озвучку текста, клонирование и распознавание речи.
Фреймворк RAG как сервис: загружаете данные любых форматов — получаете готового чат-бота с знаниями через несколько строк кода.
Оптимизированный для LLM краулер: превращает сайты в чистый Markdown, готовый для RAG, за секунды.
Наблюдаемость и эксперименты LLM в одном инструменте: трейсинг, оценки, датасеты и дрифт эмбеддингов.
Открытая платформа трейсинга и оценки LLM от Comet: логи, метрики, плейграунд и самохостинг.
Фреймворк юнит-тестирования LLM-выходов: метрики качества, синтетические данные и CI/CD для промптов и RAG.
Инструмент извлечения из PDF на основе моделей: точно восстанавливает текст, формулы, таблицы и читает порядок чтения.
Память типа ETL для агентов: превращает неструктурированные данные в граф знаний, который агент может эффективно запрашивать.
Память и временное знание для агентов: автоматическое суммирование истории, граф сущностей и поиск по памяти.
Умная память для ИИ-ассистентов: извлекает факты из диалогов, сохраняет в профиль пользователя и поднимает релевантное в нужный момент.
Крупнейшая коллекция правил .cursorrules для Cursor: готовые конфигурации под стеки, фреймворки и роли.
Библиотека для агентного управления браузером: LLM сам кликает, заполняет формы и собирает данные на сайтах.
Самый простой способ запускать локальные LLM на своём компьютере: одна команда — и модель работает, плюс OpenAI-совместимый API.