Плагины для Claude Code: расширения, хуки и интеграции — от подсветки кода до работы с внешними сервисами.
Лёгкий GraphRAG от университета Гонконга: быстрее и дешевле Microsoft GraphRAG, тот же принцип графа знаний поверх векторного поиска.
Бенчмарк ИИ в соревнованиях по машинному обучению: модель сама строит ML-решения Kaggle-контестов и получает медали.
Бенчмарк агентов в диалогах с пользователями и инструментами: проверка не только ответа, но и правильности вызванных действий.
Быстрые веб-интерфейсы для ML-моделей: несколько строк Python — и у демо есть сайт с виджетами и API.
Стандартная библиотека для эмбеддингов предложений: сотни готовых моделей и простой API для семантического поиска.
Сильнейшая открытая мультимодальная модель: понимает изображения, документы и видео на уровне закрытых систем.
Мощное открытое семейство моделей Zhipu AI: агентные сценарии, рассуждения и кодинг — с открытыми весами.
Огромная открытая модель Moonshot AI с сильным tool calling: триллион параметров, агентные сценарии и открытые веса.
Прорывная рассуждающая модель DeepSeek с открытыми весами: обучение с подкреплением сделало её сильнейшей в математике и коде.
Ультрабыстрый ИИ-шлюз с открытым кодом: единая точка для сотни LLM с кэшем, фолбэками и наблюдаемостью — на edge.
Структурированный язык написания промптов: шаблоны с ролями, правилами и workflow делают сложные промпты поддерживаемыми.
Официальный Python SDK для Gemini API и Vertex AI: мультимодальные запросы, функции, кэширование и живые сессии.
Официальный TypeScript-клиент Claude API: типизированный доступ к моделям, tool use и стримингу из Node и браузера.
Официальный Python-клиент Claude API: чат, tool use, батч-обработка, кэширование промптов и стриминг.
Инструментарий наблюдаемости и оценки GenAI от W&B: трейсы LLM, датасеты для оценки и сравнение версий приложений.
Открытая платформа жизненного цикла ML: трекинг экспериментов, реестр моделей, упаковка и деплой — от Databricks.
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.
Дообучение LLM в разы быстрее и с меньшей памятью: оптимизированные ядра ускоряют QLoRA-обучение на 2–5 раз.
Все-в-одном фреймворк семантического поиска и LLM: эмбеддинги, векторный индекс, пайплайны и API в одной библиотеке.