[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-HazyResearch--safari":3,"tool-HazyResearch--safari":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",143909,2,"2026-04-07T11:33:18",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":119,"forks":120,"last_commit_at":121,"license":122,"difficulty_score":10,"env_os":123,"env_gpu":124,"env_ram":123,"env_deps":125,"category_tags":131,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":132,"updated_at":133,"faqs":134,"releases":163},5107,"HazyResearch\u002Fsafari","safari","Convolutions for Sequence Modeling","safari 是一个专注于序列建模的开源深度学习库，由斯坦福 HazyResearch 团队维护。它核心解决了传统 Transformer 架构在处理超长序列时计算成本高、显存占用大的痛点，通过创新的卷积技术实现了更高效的语言与序列数据处理。\n\n该工具集成了多项前沿研究成果，包括 Hyena 层级结构、长卷积（Long Convs）以及著名的 H3（Hungry Hungry Hippos）模型。其独特技术亮点在于利用硬件友好的长卷积算子替代部分注意力机制，在保持甚至超越 Transformer 性能的同时，显著提升了推理速度并降低了资源消耗，特别适合需要处理长上下文的任务。\n\nsafari 主要面向 AI 研究人员、算法工程师及大模型开发者。如果你正在探索下一代高效语言模型架构，或需要在有限算力下训练长序列模型，safari 提供了经过验证的代码实现、预训练权重及详细的实验指南，能帮助你快速复现论文结果并开展自己的研究。作为 S4 等早期工作的演进版本，它以清晰的代码结构和丰富的文档，成为了连接理论创新与实际应用的重要桥梁。","# Convolutions for Sequence Modeling\n\nThis repository provides implementations and experiments for the following papers, as well as simplified presentations of earlier work such as [S4](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fstate-spaces).\n\nPlease see these instructions for how to download weights and run our pretrained models:\n* [H3](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002FH3\u002Ftree\u002Fmain\u002Fexamples) (125m-2.7B)\n* [Hyena](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fblob\u002Fmain\u002Fexperiments.md#downstream-evaluations) (small, 150M)\n\n## Hyena \n\n**Hyena Hierarchy: Towards Larger Convolutional Language models**\nMichael Poli\\*, Stefano Massaroli\\*, Eric Nguyen\\*, Daniel Y. Fu, Tri Dao, Stephen Baccus, Yoshua Bengio, Stefano Ermon, Christopher Ré \\\nICML 2023. **Oral**.\\\n[Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.10866)\n![Hyena](assets\u002Fhyena.png \"Hyena Hierarchy\")\n\n## Long Convs\n\n**Simple Hardware-Efficient Long Convolutions for Sequence Modeling**\\\nDaniel Y. Fu*, Elliot L. Epstein*, Eric Nguyen, Armin W. Thomas, Michael Zhang, Tri Dao, Atri Rudra, Christopher Ré\\\nICML 2023. \\\n[Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.06646)\n![LongConvs](assets\u002Flong_convs.png \"Long Convolutions for Sequence Modeling\")\n\n## Hungry Hungry Hippos (H3)\n\n**Hungry Hungry Hippos: Towards Language Modeling with State Space Models**  \nDaniel Y. Fu\\*, Tri Dao\\*, Khaled K. Saab, Armin W. Thomas, Atri Rudra, Christopher Ré  \nICLR 2023. **Notable top-25% (spotlight).**  \n[Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.14052)\n![H3](assets\u002Fh3.png \"Hungry Hungry Hippos\")\n\n\n### Roadmap\n- ~~Include H3, LLM training, and synthetics in this repository~~\n- ~~Move in fast convolution code~~\n- ~~Add Hyena implementation and experiments~~\n- pip package\n\n### Changelog\nSee [CHANGELOG.md](CHANGELOG.md)\n\n## Setup\n\n### Requirements\nThis repository requires Python 3.8+ and Pytorch 1.10+.\nOther packages are listed in [requirements.txt](.\u002Frequirements.txt).\n\n## Getting Started\nThe easiest way to get started is to run the [`standalone_cifar.py`](.\u002Fstandalone_cifar.py) script.\nThis scripts trains a simple long convolution model on CIFAR-10:\n```\npython -m standalone_cifar\n```\n\nSee the [experiments](.\u002Fexperiments.md) page for more:\n* LRA experiments from the Long Convs paper\n* H3 experiments (language model, synthetics)\n* H3 + Long Conv experiments\n* Hyena language and vision experiments\n\n## Resources\n\nWe're happy to share independent reimplementations and explainer posts about methods presented in this repository. \n\n#### Hyena: \n* [irhum's JAX reimplementation and comparison with nanoGPT](https:\u002F\u002Fgithub.com\u002Firhum\u002Fhyena)\n* [exps's reimplementation](https:\u002F\u002Fgithub.com\u002Fexpz\u002Fannotated-hyena) and [explainer post](https:\u002F\u002Fmedium.com\u002F@jskowera\u002Fthe-annotated-hyena-3e50e0aa372a)\n\n\n## Citation\n\nIf you use this codebase, or otherwise found our work valuable, you can cite us as follows:\n```\n@article{poli2023hyena,\n  title={Hyena Hierarchy: Towards Larger Convolutional Language Models},\n  author={Poli, Michael and Massaroli, Stefano and Nguyen, Eric and Fu, Daniel Y and Dao, Tri and Baccus, Stephen and Bengio, Yoshua and Ermon, Stefano and R{\\'e}, Christopher},\n  journal={arXiv preprint arXiv:2302.10866},\n  year={2023}\n}\n\n@article{fu2023simple,\n  title={Simple Hardware-Efficient Long Convolutions for Sequence Modeling},\n  author={Fu, Daniel Y. and Epstein, Elliot L. and Nguyen, Eric and Thomas, Armin W. and Zhang, Michael and Dao, Tri and Rudra, Atri and R{\\'e}, Christopher},\n  journal={International Conference on Machine Learning},\n  year={2023}\n}\n\n@inproceedings{fu2023hungry,\n  title={Hungry {H}ungry {H}ippos: Towards Language Modeling with State Space Models},\n  author={Fu, Daniel Y. and Dao, Tri and Saab, Khaled K. and Thomas, Armin W.\n  and Rudra, Atri and R{\\'e}, Christopher},\n  booktitle={International Conference on Learning Representations},\n  year={2023}\n}\n```\n\n## Acknowledgements\n\nThis repo was forked from Albert Gu's [state spaces](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fstate-spaces) repo and borrows its structure.\nIt also contains code from the [FlashAttention](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fflash-attention) training scripts.\n","# 用于序列建模的卷积\n\n本仓库提供了以下论文的实现与实验，同时也对早期工作（如 [S4](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fstate-spaces)）进行了简化呈现。\n\n请参阅以下说明，了解如何下载权重并运行我们的预训练模型：\n* [H3](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002FH3\u002Ftree\u002Fmain\u002Fexamples)（125m–2.7B）\n* [Hyena](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fblob\u002Fmain\u002Fexperiments.md#downstream-evaluations)（小型，150M）\n\n## Hyena\n\n**Hyena 层次结构：迈向更大的卷积语言模型**  \nMichael Poli\\*, Stefano Massaroli\\*, Eric Nguyen\\*, Daniel Y. Fu, Tri Dao, Stephen Baccus, Yoshua Bengio, Stefano Ermon, Christopher Ré  \nICML 2023。**口头报告**。  \n[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.10866)  \n![Hyena](assets\u002Fhyena.png \"Hyena 层次结构\")\n\n## Long Convs\n\n**用于序列建模的简单且硬件高效的长卷积**  \nDaniel Y. Fu\\*, Elliot L. Epstein\\*, Eric Nguyen, Armin W. Thomas, Michael Zhang, Tri Dao, Atri Rudra, Christopher Ré  \nICML 2023。  \n[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.06646)  \n![LongConvs](assets\u002Flong_convs.png \"用于序列建模的长卷积\")\n\n## Hungry Hungry Hippos (H3)\n\n**Hungry Hungry Hippos：迈向基于状态空间模型的语言建模**  \nDaniel Y. Fu\\*, Tri Dao\\*, Khaled K. Saab, Armin W. Thomas, Atri Rudra, Christopher Ré  \nICLR 2023。**引人注目的前25%（亮点展示）。**  \n[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.14052)  \n![H3](assets\u002Fh3.png \"Hungry Hungry Hippos\")\n\n### 路线图\n- ~~将 H3、LLM 训练和合成数据纳入本仓库~~\n- ~~迁移快速卷积代码~~\n- ~~添加 Hyena 的实现与实验~~\n- pip 包\n\n### 更改日志\n请参阅 [CHANGELOG.md](CHANGELOG.md)\n\n## 设置\n\n### 需求\n本仓库需要 Python 3.8 及以上版本，以及 PyTorch 1.10 及以上版本。\n其他依赖包列于 [requirements.txt](.\u002Frequirements.txt) 中。\n\n## 快速上手\n最简单的入门方式是运行 [`standalone_cifar.py`](.\u002Fstandalone_cifar.py) 脚本。\n该脚本会在 CIFAR-10 数据集上训练一个简单的长卷积模型：\n```\npython -m standalone_cifar\n```\n\n更多内容请参阅 [experiments.md](.\u002Fexperiments.md) 页面：\n* 来自 Long Convs 论文的 LRA 实验\n* H3 实验（语言模型、合成数据）\n* H3 + 长卷积实验\n* Hyena 的语言与视觉实验\n\n## 资源\n\n我们乐于分享关于本仓库中方法的独立复现及解读文章。\n\n#### Hyena：\n* [irhum 的 JAX 复现及与 nanoGPT 的对比](https:\u002F\u002Fgithub.com\u002Firhum\u002Fhyena)\n* [expz 的复现](https:\u002F\u002Fgithub.com\u002Fexpz\u002Fannotated-hyena)及其[解读文章](https:\u002F\u002Fmedium.com\u002F@jskowera\u002Fthe-annotated-hyena-3e50e0aa372a)\n\n\n## 引用\n如果您使用了本代码库，或以其他方式认为我们的工作有价值，您可以按如下方式引用我们：\n```\n@article{poli2023hyena,\n  title={Hyena 层次结构：迈向更大的卷积语言模型},\n  author={Poli, Michael 和 Massaroli, Stefano 以及 Nguyen, Eric 等},\n  journal={arXiv 预印本 arXiv:2302.10866},\n  year={2023}\n}\n\n@article{fu2023simple,\n  title={用于序列建模的简单且硬件高效的长卷积},\n  author={Fu, Daniel Y. 等},\n  journal={国际机器学习会议},\n  year={2023}\n}\n\n@inproceedings{fu2023hungry,\n  title={Hungry Hungry Hippos：迈向基于状态空间模型的语言建模},\n  author={Fu, Daniel Y. 等},\n  booktitle={国际表征学习会议},\n  year={2023}\n}\n```\n\n## 致谢\n本仓库基于 Albert Gu 的 [state spaces](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fstate-spaces) 仓库分叉而来，并沿用了其结构。\n此外，它还包含了来自 [FlashAttention](https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fflash-attention) 训练脚本的代码。","# Safari 快速上手指南\n\nSafari 是一个专注于序列建模的卷积模型库，实现了 **Hyena**、**Long Convs** 和 **H3 (Hungry Hungry Hippos)** 等前沿算法。本指南将帮助你快速搭建环境并运行基础示例。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python 版本**: 3.8 或更高\n*   **PyTorch 版本**: 1.10 或更高\n*   **硬件**: 建议使用支持 CUDA 的 NVIDIA GPU 以获得最佳性能\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先从 GitHub 克隆项目代码：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari.git\ncd safari\n```\n\n### 2. 安装依赖\n创建虚拟环境（推荐）并安装所需依赖包。为了加快下载速度，国内用户可配置使用清华或阿里镜像源：\n\n```bash\n# 创建虚拟环境\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n\n# 使用国内镜像源安装依赖\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：如果 `requirements.txt` 中未明确指定 PyTorch 版本，请根据你的 CUDA 版本手动安装对应的 PyTorch。例如（CUDA 11.8）：\n> ```bash\n> pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n> ```\n\n## 基本使用\n\n安装完成后，最简单的入门方式是运行官方提供的独立脚本，该脚本将在 **CIFAR-10** 数据集上训练一个基础的长卷积（Long Convolution）模型。\n\n### 运行示例\n在项目根目录下执行以下命令：\n\n```bash\npython -m standalone_cifar\n```\n\n运行成功后，你将看到模型的训练进度和损失值输出。\n\n### 进阶实验\n如需复现论文中的其他实验（如 LRA 基准测试、H3 语言模型训练、Hyena 视觉\u002F语言任务等），请参考项目目录下的 `experiments.md` 文件获取具体配置和运行指令。\n\n```bash\n# 查看实验文档\ncat experiments.md\n```","某生物科技公司研发团队正利用深度学习模型分析长达数万碱基对的 DNA 序列，以预测基因突变对蛋白质功能的影响。\n\n### 没有 safari 时\n- 传统 Transformer 架构在处理超长基因序列时，显存占用随序列长度呈平方级增长，导致单卡无法加载完整数据。\n- 为了适配显存限制，不得不将长序列强行截断或分块处理，严重破坏了基因片段间的长距离依赖关系，降低预测准确率。\n- 推理速度缓慢，处理一条完整染色体序列需要数分钟，无法满足大规模基因组筛选的实时性需求。\n- 尝试引入早期的状态空间模型（如 S4）时，代码复现复杂且缺乏针对特定硬件的高效卷积算子支持。\n\n### 使用 safari 后\n- 借助 Hyena 和 Long Convs 算法，模型显存占用降至线性级别，轻松在单张 GPU 上处理百万级长度的完整 DNA 序列。\n- 无需截断即可捕捉全序列范围内的远程调控信号，基因功能预测的准确性显著提升，发现了此前被忽略的关键突变位点。\n- 利用高度优化的卷积内核，推理速度提升数倍，将单条序列分析时间从分钟级压缩至秒级，大幅加速研发流程。\n- 直接调用仓库中预训练的 H3 和 Hyena 模型，配合简洁的 API 快速完成迁移学习，无需从零编写复杂的底层卷积逻辑。\n\nsafari 通过高效的长序列卷积技术，打破了生物信息学中超长数据处理的算力瓶颈，让高精度基因组分析变得触手可及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHazyResearch_safari_48c928d8.png","HazyResearch","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHazyResearch_5f558f19.png","We are a CS research group led by Prof. Chris Ré.",null,"contact.hazy@gmail.com","https:\u002F\u002Fcs.stanford.edu\u002Fpeople\u002Fchrismre\u002F","https:\u002F\u002Fgithub.com\u002FHazyResearch",[80,84,88,92,96,100,104,108,112,116],{"name":81,"color":82,"percentage":83},"Assembly","#6E4C13",87,{"name":85,"color":86,"percentage":87},"Pawn","#dbb284",4.9,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",2.3,{"name":93,"color":94,"percentage":95},"C++","#f34b7d",1.8,{"name":97,"color":98,"percentage":99},"Python","#3572A5",1.7,{"name":101,"color":102,"percentage":103},"POV-Ray SDL","#6bac65",1,{"name":105,"color":106,"percentage":107},"Cuda","#3A4E3A",0.7,{"name":109,"color":110,"percentage":111},"PHP","#4F5D95",0.3,{"name":113,"color":114,"percentage":115},"JavaScript","#f1e05a",0.1,{"name":117,"color":118,"percentage":115},"CMake","#DA3434",911,70,"2026-03-18T02:20:17","Apache-2.0","未说明","需要支持 CUDA 的 NVIDIA GPU（因依赖 PyTorch 及 FlashAttention），具体型号和显存大小取决于运行的模型规模（如 H3 最大达 2.7B，Hyena 为 150M），未明确最低要求",{"notes":126,"python":127,"dependencies":128},"该仓库包含 Hyena、Long Convs 和 H3 等序列建模模型的实现。代码结构源自 state-spaces 项目并使用了 FlashAttention 的训练脚本。运行预训练模型需参考官方提供的下载链接（如 H3 和 Hyena 示例）。建议使用 conda 管理环境，具体依赖包请参阅 requirements.txt 文件。","3.8+",[129,130],"torch>=1.10","flash-attention",[35,14],"2026-03-27T02:49:30.150509","2026-04-08T01:09:19.478114",[135,140,145,150,155,159],{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},23202,"Hyena 模型中的 FFT 操作是否需要使用 fftshift 和 ifftshift 来保证因果性？","不需要手动进行 shift 操作。代码中设置 `fft_size = seqlen * 2`（即 n=2*L）是为了将输入和卷积核填充到两倍长度，PyTorch 的 FFT 函数会隐式处理这种填充。这种机制配合 `nn.conv1d` 的 padding 行为，能够确保因果卷积的正确性，无需像传统 DFT 那样显式调用 `fftshift` 或 `ifftshift`。具体实现可参考官方博客关于卷积教程的数学解释。","https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fissues\u002F4",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},23203,"测试发现输入未来的扰动影响了过去的输出，这是否意味着 Hyena 存在前向泄漏（forward leakage）问题？","这通常不是实现错误导致的因果泄漏，而是浮点数精度限制（特别是 float32）在输入数值极大时产生的数值误差。当输入扰动幅度非常大（如 1e10）时，FFT 及其逆变换会产生显著误差，导致看似“泄漏”的现象。在实际训练中，由于归一化层的存在，极少遇到如此大的数值，因此不会触发此问题。如果真存在因果泄漏，训练损失会迅速降至不合理的低值（甚至为 0），且生成结果完全无意义，这在实践中从未观察到。","https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fissues\u002F40",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},23204,"Hyena 模型的显存占用随序列长度如何扩展？为什么替换 Attention 后显存没有明显降低？","显存占用主要由三部分组成：模型权重、激活值（与 token 数量成正比）以及中间计算缓冲。虽然 Hyena 避免了 Attention 的二次方复杂度，但在长序列下激活值仍占主导。用户反馈显示，对于 1.3GB 的模型，当批量大小为 10k、序列长度为 6k 时，显存占用约为 22GB。如果遇到 OOM，建议检查是否包含了巨大的激活值开销，而不仅仅是模型参数大小。目前官方未提供详细的显存缩放曲线，但实际使用中需注意总 Token 数对显存的影响。","https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fissues\u002F15",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},23205,"论文描述的 Hyena 操作顺序是“先时域卷积后频域”，但代码实现似乎是“先频域后时域”，这是怎么回事？","代码实现与论文评估设置一致。标准的 Order-2 Hyena 包含一个短时域卷积（short convolution，用于替代 H3 中的 shift SSM）和一个长频域卷积。总的时域卷积次数仍为 2（计入短卷积）。这种设计是为了在 FLOPs 和模型深度上与 H3 进行公平对比。虽然在某些任务中更高阶或双长卷积可能表现更好，但为了保持模型质量和效率的平衡，始终建议保留至少一个短卷积。","https:\u002F\u002Fgithub.com\u002FHazyResearch\u002Fsafari\u002Fissues\u002F9",{"id":156,"question_zh":157,"answer_zh":158,"source_url":154},23206,"在什么情况下应该使用不同阶数（Order）的 Hyena？短卷积是否可以省略？","更高阶的 Hyena（如 Order > 2）在某些特定任务上可能表现更佳，但这取决于具体应用场景。然而，无论阶数如何，都不应省略短卷积（short convolution）。短卷积对于捕捉局部依赖关系至关重要，是模型架构的核心组成部分。在论文的所有主要评估中，使用的都是包含“短卷积 + 长卷积”的 Order-2 配置。",{"id":160,"question_zh":161,"answer_zh":162,"source_url":144},23207,"如何验证 Hyena 实现的因果性是否正确？","可以通过两种方式验证：1. 梯度检查（Causality check by gradient），这是代码库中已有的方法；2. 输入扰动测试，即修改未来时间步的输入，观察过去时间步的输出是否变化。需要注意的是，进行扰动测试时，扰动幅度应符合实际训练分布（避免极大的数值如 1e10），否则观察到的差异可能是浮点精度误差而非因果泄漏。真正的因果泄漏会导致训练损失异常下降和生成内容混乱。",[]]