Оценка позы и ключевых точек тела, лица и рук: богатый зоопарк моделей, поддержка видео и потоков с камер от OpenMMLab.
Открытая платформа семантической сегментации изображений: сотни моделей и датасетов, единый тренировочный фреймворк OpenMMLab.
Открытый пакет для анализа лиц: детекция, распознавание, оценка атрибутов — SOTA-модели и эталонные бенчмарки от сообщества.
Свап лиц и улучшение портретов на нейросетях: единый интерфейс к десяткам моделей — смена лиц, оживление фото, реставрация видео.
Детектор речи в аудиопотоке: точное определение голоса с высокой скоростью на CPU — стандарт для транскрипции и голосовых агентов.
Быстрый локальный нейросетевой синтез речи: компактные модели, работа на CPU в реальном времени, десятки языков — для голосовых ассистентов и озвучки.
Открытый агент общего назначения: планирует и выполняет задачи через инструменты — браузер, терминал, код — без привязки к закрытым платформам.
Официальная реализация загрузки и инференса Llama 3 от Meta: открытые веса моделей 8B и 70B с инструкциями по запуску.
Автоматическое дифференцирование в ~100 строках: наглядный обратный проход по вычислительному графу — основа для понимания нейросетей.
Минималистичная реализация GPT для обучения: от загрузки данных до генерации текста — читаемый код, понятный каждому, кто изучает трансформеры.
Дифф с пониманием синтаксиса: показывает изменения в коде на уровне структуры, а не строк — поддержка десятков языков.
Современная система контроля версий, совместимая с Git: автоматические коммиты, переписывание истории без конфликтов, понятная ментальная модель.
Клиент для ветвления изменений: независимые «ветки виртуальных изменений», которые легко переставлять, объединять и отправлять в Git.
Ускоренный AlphaFold для всех: предсказание структуры белков в облаке или на своём GPU — за минуты вместо часов, бесплатно для исследований.
Бенчмарк понимания длинных текстов от Tsinghua: 21 задача на документах до 32 тысяч токенов — однозначное отслеживание прогресса моделей.
Честная оценка длинного контекста: синтетические задачи из четырёх категорий показывают реальную длину контекста модели — а не заявленную в маркетинге.
Запуск LLM на оборудовании Intel: CPU, встроенные GPU и ускорители Arc — локальные модели без видеокарт NVIDIA.
Быстрый инференс квантованных LLM на GPU: EXL2-квантование с гибким битрейтом — популярное решение для запуска больших моделей на одной видеокарте.
Референсное обучение LLM от команды PyTorch: современные методы параллелизма FSDP2 — эталонная реализация для обучения моделей на множестве GPU.
Распределённое обучение больших моделей: параллелизм всех видов — tensor, pipeline, sequence и ZeRO — запуск GPT и LLaMA на кластерах GPU.