Лёгкий агентный SDK от AWS: стройте агентов с инструментами, памятью и потоковым выводом — без тяжёлой инфраструктуры и вендорной привязки.
Метод, перевернувший 3D-реконструкцию: сцена как облако гауссовых шариков — рендеринг в реальном времени при качестве нейронных полей.
Удобная работа с нейророндерингом: единый пайплайн для NeRF и 3DGS — от съёмки на телефон до интерактивного просмотра сцены в браузере.
Библиотека 3D Gaussian Splatting от Nerfstudio: производительные кернелы для обучения и рендеринга сплатов в PyTorch, проекты от фотограмметрии до динамики.
Лёгкая модель распознавания имён собственных без словаря меток: извлекает любые сущности из текста — от персон до номеров договоров.
Омни-модель от Alibaba: понимает текст, изображения, аудио и видео, отвечает текстом и речью в реальном времени — всё в одной архитектуре.
Фреймворк NVIDIA для создания и дообучения генеративных ИИ: LLM, мультимодальные и речевые модели с поддержкой тысяч GPU.
Библиотека кернелов для LLM-инференса: флэш-внимание, сэмплинг и поиск по KV-кэшу — ускоряет vLLM, SGLang и собственные движки.
Тритон-кернелы LinkedIn для обучения LLM: заменяет стандартные слои и ускоряет дообучение до 20%, снижая потребление памяти в разы.
Высокопроизводительный фреймворк RLHF на Ray + vLLM: PPO, DPO, GRPO, KTO и другие методы выравнивания LLM с минимумом кода.
Фреймворк RL-обучения LLM от ByteDance: GRPO, PPO и их гибриды с FSDP/Megatron, коллаборативное обучение на GPU-кластерах.
Система предсказания структуры белков от DeepMind: революция в биологии — трёхмерная структура белка из аминокислотной последовательности за часы.
Открытая реализация GPT-3-масштаба от EleutherAI: код для обучения 20-миллиардной модели на GPU-кластерах с MP и DP параллелизмом.
Универсальный трансформер для временных рядов от Salesforce: один предобученный модуль прогнозирует любые данные — от продаж до погоды.
Ядро моделей OLMo 2: полностью открытый код обучения, архитектуры и данных — воспроизведите 32-миллиардную модель с нуля у себя.
Распределённое обучение без коммуникационных узких мест от Nous Research: сокращение обмена данными в 1000 раз против традиционного data-parallel.
Быстрое и экономичное внимание от Tri Dao: IO-оптимизированные кернелы ускоряют обучение трансформеров в 3-5 раз без потери точности.
scikit-learn для временных рядов: единый интерфейс для прогнозирования, классификации и кластеризации с унифицированным API.
Глубокое обучение для временных рядов от Nixtla: N-HiTS, TimesNet и десятки SOTA-архитектур с GPU-ускорением и простым API.
Единая библиотека прогнозирования: от ARIMA до трансформеров и LLM-прогнозов — сравнивайте модели одним интерфейсом на своих временных рядах.