Структурирование PyTorch-кода: убирает бойлерплейт обучения, оставляя исследовательскую логику чистой и воспроизводимой.
Библиотека Microsoft для обучения гигантских моделей: параллелизм данных, конвейеров и тензоров на тысячах GPU.
Фреймворк NVIDIA для предобучения на больших кластерах: тензорный и конвейерный параллелизм, на нём обучены модели с сотнями миллиардов параметров.
Нативное дообучение LLM на чистом PyTorch от команды PyTorch: без тяжёлых зависимостей, с контролем над каждым шагом.
100+ моделей для дообучения через веб-интерфейс: визуальный Gradio-UI делает файнтюнинг доступным без программирования.
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.
Библиотека для выравнивания LLM: SFT, DPO, PPO и другие методы обучения с подкреплением на человеческих предпочтениях.
Библиотека для работы с датасетами: загрузка тысяч готовых наборов, эффективная предобработка и интеграция с Trainer.
Простой запуск PyTorch-кода на нескольких GPU и узлах: обучение без изменения кода, просто обёртка над циклом.
Параметрически эффективное дообучение: адаптеры LoRA и десятки других методов позволяют доучивать гигантские модели на одном GPU.
Самая популярная библиотека для работы с готовыми моделями: десятки тысяч LLM, визуальных и речевых моделей в одном API.
Флагманская платформа машинного обучения от Google: от исследований до мобильных и браузерных инференсов.
Ведущий открытый фреймворк глубокого обучения: тензоры с GPU, автодифференцирование и экосистема для обучения нейросетей.
Динамический агент общего назначения: не имеет жёстких инструментов — сам пишет код для решения каждой новой задачи.
Популярный фреймворк для персонажей-агентов: агенты с памятью и характером подключаются к Discord, Telegram и блокчейнам.
Виртуальная ИТ-компания из агентов: CEO, CTO, программисты и тестировщики обсуждают задачу в чате и выдают готовый софт.
Терминальный агент для больших задач на больших репозиториях: планирует изменения, применяет их атомарно и откатывает при ошибках.
Агент, разрабатывающий реальные приложения целиком: задаёт вопросы как разработчик, пишет код по шагам и поддерживает его.
Визуальный конструктор агентов от DataStax: drag-and-drop компоненты LangChain с API, памятью и публикацией в один клик.