[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-DAMO-DI-ML--NeurIPS2023-One-Fits-All":3,"similar-DAMO-DI-ML--NeurIPS2023-One-Fits-All":87},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":17,"owner_twitter":17,"owner_website":17,"owner_url":18,"languages":19,"stars":28,"forks":29,"last_commit_at":30,"license":17,"difficulty_score":31,"env_os":32,"env_gpu":32,"env_ram":32,"env_deps":33,"category_tags":38,"github_topics":17,"view_count":41,"oss_zip_url":17,"oss_zip_packed_at":17,"status":42,"created_at":43,"updated_at":44,"faqs":45,"releases":86},121,"DAMO-DI-ML\u002FNeurIPS2023-One-Fits-All","NeurIPS2023-One-Fits-All","The official code for \"One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)\"","NeurIPS2023-One-Fits-All 是一个基于预训练语言模型（LM）或视觉模型（CV）的通用时间序列分析框架，出自 NeurIPS 2023 Spotlight 论文。它巧妙地解决了时间序列领域长期面临的难题：缺乏大规模标注数据来训练强大的预训练模型。该方法无需修改预训练模型中的自注意力和前馈网络结构，而是直接迁移已在海量文本或图像数据上训练好的模型能力，用于处理各类时间序列任务。\n\nNeurIPS2023-One-Fits-All 在长\u002F短期预测、分类、异常检测、缺失值填补、少样本学习乃至零样本学习等多个任务上均表现出色，展现出强大的泛化能力。其核心亮点在于“一模型通用于多任务”，避免为每个任务单独设计模型架构。\n\n该工具主要面向时间序列领域的研究人员和算法工程师，尤其适合希望探索大模型迁移能力、减少重复建模工作的开发者。使用者需具备 Python 和 PyTorch 基础，并可参考项目中各任务目录快速上手。项目代码结构清晰，配套任务示例完整，便于复现与二次开发。","# One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)\n\nTian Zhou, Peisong Niu, Xue Wang, Liang Sun, Rong Jin, \"One Fits All: Power General Time Series Analysis by Pretrained LM,\", NeurIPS, 2023. [[paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.11939)]\n\nThe main challenge that blocks the development of pre-trained model for time series analysis is the lack of a large amount of data for training. In this work, we address this challenge by leveraging language or CV models, pre-trained from billions of tokens, for time series analysis. Specifically, we refrain from altering the self-attention and feedforward layers of the residual blocks in the pre-trained language or image model.\n\n\u003Cdiv align=\"center\">\u003Cimg src=.\u002Fpic\u002Fmodel_structure.png width=80% \u002F>\u003C\u002Fdiv>\n\n## General Time Series Tasks\n\nThe proposed method outperforms other models on most tasks, including [long-term forecasting](.\u002FLong-term_Forecasting\u002FREADME.md), [short-term forecasting](.\u002FShort-term_Forecasting\u002FREADME.md), [classification](.\u002FClassification\u002FREADME.md), [anomaly detection](.\u002FAnomaly_Detection\u002FREADME.md), [imputation](.\u002FImputation\u002FREADME.md), and [few-shot leanring](.\u002FFew-shot_Learning\u002FREADME.md), [zero-short learning](.\u002FZero-shot_Learning\u002FREADME.md).\n\n\u003Cdiv align=\"center\">\u003Cimg src=.\u002Fpic\u002Fmain_result.png width=60% \u002F>\u003C\u002Fdiv>\n\n## Get Start\n\n- Install Python>=3.8, PyTorch 1.8.1.\n- Follow the instructions provided in the respective task folder.\n\n\n## Citation\n\nIf you find this repo useful, please cite our paper. \n\n```\n@inproceedings{zhou2023onefitsall,\n  title={{One Fits All}: Power General Time Series Analysis by Pretrained LM},\n  author={Tian Zhou, Peisong Niu, Xue Wang, Liang Sun, Rong Jin},\n  booktitle={NeurIPS},\n  year={2023}\n}\n```\n\n## Further Reading\nSurvey on Transformers in Time Series:\n\nQingsong Wen, Tian Zhou, Chaoli Zhang, Weiqi Chen, Ziqing Ma, Junchi Yan, and Liang Sun. \"Transformers in time series: A survey.\", IJCAI, 2023. [[paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2202.07125)]\n\n\n## Contact\n\nIf you have any question or want to use the code, please contact tian.zt@alibaba-inc.com or niupeisong.nps@alibaba-inc.com .\n\n## Acknowledgement\n\nWe appreciate the following github repos a lot for their valuable code base or datasets:\n\nhttps:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FICML2022-FEDformer\n\nhttps:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library\n\nhttps:\u002F\u002Fgithub.com\u002Fgzerveas\u002Fmvts_transformer","# One Fits All：通过预训练语言模型实现通用时间序列分析（NeurIPS 2023 Spotlight）\n\nTian Zhou, Peisong Niu, Xue Wang, Liang Sun, Rong Jin, \"One Fits All: Power General Time Series Analysis by Pretrained LM,\", NeurIPS, 2023. [[paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.11939)]\n\n阻碍时间序列分析领域预训练模型发展的主要挑战是缺乏大量训练数据。在本工作中，我们通过利用已在数十亿 tokens 上预训练的语言模型或计算机视觉（CV）模型来应对这一挑战。具体而言，我们避免修改预训练语言或图像模型中残差块（residual blocks）的自注意力（self-attention）和前馈网络（feedforward）层。\n\n\u003Cdiv align=\"center\">\u003Cimg src=.\u002Fpic\u002Fmodel_structure.png width=80% \u002F>\u003C\u002Fdiv>\n\n## 通用时间序列任务\n\n所提出的方法在大多数任务上均优于其他模型，包括[长期预测（long-term forecasting）](.\u002FLong-term_Forecasting\u002FREADME.md)、[短期预测（short-term forecasting）](.\u002FShort-term_Forecasting\u002FREADME.md)、[分类（classification）](.\u002FClassification\u002FREADME.md)、[异常检测（anomaly detection）](.\u002FAnomaly_Detection\u002FREADME.md)、[缺失值填补（imputation）](.\u002FImputation\u002FREADME.md)、[少样本学习（few-shot learning）](.\u002FFew-shot_Learning\u002FREADME.md) 和 [零样本学习（zero-shot learning）](.\u002FZero-shot_Learning\u002FREADME.md)。\n\n\u003Cdiv align=\"center\">\u003Cimg src=.\u002Fpic\u002Fmain_result.png width=60% \u002F>\u003C\u002Fdiv>\n\n## 快速开始\n\n- 安装 Python>=3.8 和 PyTorch 1.8.1。\n- 请遵循各任务文件夹中提供的说明进行操作。\n\n## 引用\n\n如果您觉得本代码库对您的研究有帮助，请引用我们的论文：\n\n```\n@inproceedings{zhou2023onefitsall,\n  title={{One Fits All}: Power General Time Series Analysis by Pretrained LM},\n  author={Tian Zhou, Peisong Niu, Xue Wang, Liang Sun, Rong Jin},\n  booktitle={NeurIPS},\n  year={2023}\n}\n```\n\n## 延伸阅读\n\n关于 Transformer 在时间序列中的综述：\n\nQingsong Wen, Tian Zhou, Chaoli Zhang, Weiqi Chen, Ziqing Ma, Junchi Yan, and Liang Sun. \"Transformers in time series: A survey.\", IJCAI, 2023. [[paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2202.07125)]\n\n## 联系方式\n\n如有任何问题或希望使用本代码，请联系 tian.zt@alibaba-inc.com 或 niupeisong.nps@alibaba-inc.com。\n\n## 致谢\n\n我们非常感谢以下 GitHub 仓库提供的宝贵代码库或数据集：\n\nhttps:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FICML2022-FEDformer\n\nhttps:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library\n\nhttps:\u002F\u002Fgithub.com\u002Fgzerveas\u002Fmvts_transformer","# NeurIPS2023-One-Fits-All 快速上手指南\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows（推荐 Linux）\n- **Python 版本**：≥ 3.8\n- **深度学习框架**：PyTorch 1.8.1 或更高版本\n- **建议使用国内镜像源加速依赖安装**（如清华源、阿里源）\n\n## 安装步骤\n\n1. 克隆代码仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All.git\n   cd NeurIPS2023-One-Fits-All\n   ```\n\n2. 创建并激活 Python 虚拟环境（可选但推荐）：\n   ```bash\n   python -m venv ofa-env\n   source ofa-env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n   # or\n   ofa-env\\Scripts\\activate     # Windows\n   ```\n\n3. 安装 PyTorch（推荐使用国内镜像加速）：\n   ```bash\n   # 清华源示例（根据 CUDA 版本调整）\n   pip install torch==1.8.1+cu111 -f https:\u002F\u002Fmirror.sjtu.edu.cn\u002Fpytorch-wheels\u002Ftorch_stable.html\n   ```\n\n4. 安装其他依赖（如有 requirements.txt，请按任务目录说明安装）：\n   ```bash\n   # 示例：若存在通用依赖文件\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n> ⚠️ 注意：具体依赖请参考各任务子目录（如 `Long-term_Forecasting\u002F`）中的说明。\n\n## 基本使用\n\n该工具支持多种时间序列任务（预测、分类、异常检测等）。以**长期预测**为例：\n\n1. 进入对应任务目录：\n   ```bash\n   cd Long-term_Forecasting\n   ```\n\n2. 按照该目录下的 `README.md` 准备数据集（通常为 `.npz` 或 `.csv` 格式）\n\n3. 运行训练脚本（示例命令，具体参数请参考任务文档）：\n   ```bash\n   python train.py --model OFA --data ETTh1 --features M --seq_len 96 --pred_len 192\n   ```\n\n4. 推理或评估：\n   ```bash\n   python test.py --model OFA --data ETTh1 --features M --seq_len 96 --pred_len 192 --ckpt_path .\u002Fcheckpoints\u002Fmodel.pth\n   ```\n\n> ✅ 提示：其他任务（如分类、插补等）使用方式类似，请进入对应子目录查看详细说明。","某智能电网公司需要对全国数千个变电站的电力负荷数据进行实时异常检测与短期负荷预测，以保障供电稳定性并优化调度策略。\n\n### 没有 NeurIPS2023-One-Fits-All 时\n- 针对异常检测和负荷预测分别训练不同模型，开发维护成本高，且每个任务都需要大量标注数据。\n- 变电站数量多、历史数据长短不一，部分站点数据稀疏，传统时序模型（如LSTM、ARIMA）泛化能力差，预测误差大。\n- 新增一个变电站需重新训练或微调模型，冷启动问题严重，初期性能不稳定。\n- 缺乏统一框架，团队需同时维护多个代码库，迭代效率低，难以快速响应业务变化。\n\n### 使用 NeurIPS2023-One-Fits-All 后\n- 基于同一预训练语言模型架构，同时支持异常检测、短期预测、缺失值填补等多种任务，一套系统覆盖全部需求。\n- 利用大规模预训练知识迁移，即使在数据稀疏的新站点也能实现高精度预测，显著提升小样本场景下的表现。\n- 支持零样本和少样本学习，新变电站接入后无需重新训练，直接推理即可获得可靠结果。\n- 统一代码结构和接口，团队只需维护一个核心模块，开发效率提升50%以上，模型部署更敏捷。\n\nNeurIPS2023-One-Fits-All 通过复用预训练大模型的能力，真正实现了“一个模型通用于多种时序任务”，大幅降低开发门槛并提升实际业务中的泛化性能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDAMO-DI-ML_NeurIPS2023-One-Fits-All_0e346f8d.png","DAMO-DI-ML","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDAMO-DI-ML_a9fc8371.png","AI for Time Series (AI4TS) and XAI ",null,"https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML",[20,24],{"name":21,"color":22,"percentage":23},"Python","#3572A5",94.3,{"name":25,"color":26,"percentage":27},"Shell","#89e051",5.7,644,88,"2026-04-04T15:27:39",3,"未说明",{"notes":34,"python":35,"dependencies":36},"需根据具体任务目录中的说明进行配置；项目基于预训练语言或视觉模型，可能涉及较大模型文件下载和较高计算资源需求","3.8+",[37],"torch==1.8.1",[39,40],"语言模型","其他",4,"ready","2026-03-27T02:49:30.150509","2026-04-06T07:14:02.991703",[46,51,56,61,66,71,76,81],{"id":47,"question_zh":48,"answer_zh":49,"source_url":50},112,"在长期预测任务中使用的是哪个版本的 GPT-2？GPU 显存占用和 batch size 是多少？","实验中使用的是 1.17 亿参数（117M）的预训练 GPT-2 模型，包含 12 个 Transformer 层。但实际只使用前 6 层进行长期预测。训练时使用单张 32GB 显存的 V100 GPU；若 batch size 设为 1024（数据按通道拆分），则可在单卡上运行；若 batch size 为 2048，则需 4 张 V100 GPU，单卡可将 batch size 调整为 512。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F11",{"id":52,"question_zh":53,"answer_zh":54,"source_url":55},113,"插补任务中为何代码默认使用 6 层 GPT，而论文说最优是 3 层？使用的 GPT-2 模型版本是否与 Hugging Face 官方一致？","作者确认插补任务脚本最初误设为 6 层，现已修正为论文推荐的 3 层。所用 GPT-2 模型与 Hugging Face 官方链接（https:\u002F\u002Fhuggingface.co\u002Fgpt2\u002Ftree\u002Fmain）提供的版本一致，即使在部分地区无法访问 Hugging Face，手动下载该链接内容也可使用。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F9",{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},114,"长期预测任务中为何只加载一个通道（channel）？如何支持多变量时间序列预测？","模型采用“通道独立”（channel independence）策略：将多变量时间序列的每个通道单独处理，即每次只输入一个通道的数据（feat_id=0）。所有通道被拉平成单通道形式分别预测，最终结果合并。这种设计可缓解如 Traffic 等大数据集的显存不足问题。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F15",{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},115,"异常检测任务中为何要将输入序列分割成 25 段后再做归一化，而不是对整个序列直接归一化？seg_num=25 是否适用于其他数据集？","分段归一化是为了同时考虑局部和全局信息。例如，当序列开头值很大而后变小时，局部归一化效果更好。seg_num=25 是作者实验中取得较好结果的参考值，并非固定超参，用户可根据自身数据特点调整该参数以获得更优性能。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F49",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},116,"异常检测中的“adjustment”（调整）步骤有什么作用？为什么需要它？在工业场景中如何应用？","Adjustment 是一种后处理策略：只要检测到序列中任意一个异常点，就将整个序列标记为异常。这在 AIOps 等工业场景中非常实用，因为重点在于高召回率——及时提醒运维人员可能存在故障，具体细节可由人工后续排查。但在需要精确定位每个异常点的科研场景中可能不适用。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F45",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},117,"在 ETTm1 数据集上运行插补任务时，无法复现论文结果（实测 MSE=0.196，论文为 0.040），原因是什么？","该问题与 Issue #23 相关，通常由数据预处理或随机种子设置差异导致。作者确认使用正确配置后可复现结果，建议检查数据加载、归一化方式及是否使用了与论文一致的 mask_rate 和模型层数（应为 3 层）。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F44",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},118,"当 batch_size=2048 时，是否需要多张 V100 GPU？单卡最大支持多大 batch size？","batch_size=2048 需要 4 张 V100 GPU（每张 32GB）。若仅使用单卡，建议将 batch size 调整为 512。作者表示将在 README 中补充 GPU 显存占用说明。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F19",{"id":82,"question_zh":83,"answer_zh":84,"source_url":85},119,"在自定义流感数据集上训练长期预测模型时，训练损失下降但验证损失持续上升，如何解决？","尽管输入已标准化，但数据长度和分布仍可能影响性能。ILI 数据集有 900+ 时间步，而自定义流感数据可能较短或模式不同。建议：1）确保序列长度（seq_len）合理；2）尝试更小学习率（如 1e-5）；3）检查数据平稳性；4）考虑增加正则化（如 dropout=0.3 已尝试）。若仍过拟合，可减少模型层数或使用早停。","https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All\u002Fissues\u002F12",[],[88,99,107,120,128,136],{"id":89,"name":90,"github_repo":91,"description_zh":92,"stars":93,"difficulty_score":94,"last_commit_at":95,"category_tags":96,"status":42},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[97,98,39],"开发框架","Agent",{"id":100,"name":101,"github_repo":102,"description_zh":103,"stars":104,"difficulty_score":94,"last_commit_at":105,"category_tags":106,"status":42},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[97,39],{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":94,"last_commit_at":113,"category_tags":114,"status":42},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[115,116,117,118,98,40,39,97,119],"图像","数据工具","视频","插件","音频",{"id":121,"name":122,"github_repo":123,"description_zh":124,"stars":125,"difficulty_score":31,"last_commit_at":126,"category_tags":127,"status":42},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[98,115,97,39,40],{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":31,"last_commit_at":134,"category_tags":135,"status":42},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[39,115,97,40],{"id":137,"name":138,"github_repo":139,"description_zh":140,"stars":141,"difficulty_score":142,"last_commit_at":143,"category_tags":144,"status":42},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[97,40]]