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.
Открытый конкурс и датасет по сбору данных для LLM: лучшие практики фильтрации веб-данных — фундамент для обучения сильных моделей на ограниченном бюджете.
Детекция объектов по текстовому описанию в реальном времени: YOLO, который находит то, что вы напишете словами — без переобучения под классы.
Открытая реализация CLIP: воспроизведение обучения CLIP на собственных данных — эталонные эмбеддинги изображений и текста для поиска и классификации.
Открытая зрительно-языковая модель от Tsinghua: точные описания изображений, ответы на визуальные вопросы и OCR — на уровне закрытых моделей.
Унифицированная мультимодальная модель DeepSeek: понимание и генерация изображений в одной архитектуре — декодирование без отдельных модулей.
Инструментарий больших моделей от BAAI: обучение и инференс Aquila и других моделей — от воспроизведения LLM до мультимодальных задач.
Открытая фундаментальная модель от Shanghai AI Lab: сильные результаты на математике и коде — основа экосистемы InternLM с миллионами загрузок.
ИИ-ревью кода: автоматически находит дублирование, сложные функции и проблемы качества — с объяснениями и предложениями исправлений.
Канбан-доска для ИИ-агентов: запускайте Claude Code, Codex и других агентов в параллельных задачах и управляйте ими из одного окна.
Терминальный агент от команды Qwen: наследник Gemini CLI, заточенный под модели Qwen — автономная разработка с большим контекстом.
Транспилятор SQL между диалектами: переводит запросы между Postgres, MySQL, Snowflake и другими — один из самых используемых инструментов ИИ при работе с данными.
Бенчмарк сложных программных задач: сотни вызовов библиотек и инструментов в одной задаче — проверка моделей на уровне реальной разработки.
Строгая оценка генерации кода: расширенные тесты HumanEval+ и MBPP+ отсеивают код, который формально проходит, но не работает на граничных случаях.
Прозрачная оценка моделей от Стэнфорда: стандартизированные сценарии и метрики — от точности до токсичности и устойчивости к атакам.
Комплексная оценка LLM из Шанхая: сотни датасетов и моделей — официальная платформа ведущих китайских и мировых лидербордов.
Обучение GPT-2 на чистом C и CUDA от Андрея Карпати: минималистичный, но быстрый код, разбирающий устройство языковых моделей до основания.
Языковая модель на архитектуре RNN: качество трансформера при линейной сложности и постоянной памяти — эффективный инференс на слабом железе.
Оркестрация локальных ИИ-агентов от создателя LocalAI: пул агентов с памятью, планированием и функциями — без облака и без кода.