[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Lightning-AI--lit-llama":3,"tool-Lightning-AI--lit-llama":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",147882,2,"2026-04-09T11:32:47",[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。",108111,"2026-04-08T11:23:26",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":90,"env_deps":92,"category_tags":100,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":133},5857,"Lightning-AI\u002Flit-llama","lit-llama","Implementation of the LLaMA language model based on nanoGPT. Supports flash attention, Int8 and GPTQ 4bit quantization, LoRA and LLaMA-Adapter fine-tuning, pre-training. Apache 2.0-licensed.","Lit-LLAMA 是一个基于 nanoGPT 架构独立实现的 LLaMA 大语言模型开源项目，旨在提供完全开放源代码的预训练、微调和推理代码。它核心解决了原始 LLaMA 代码受 GPL 协议限制的问题：原协议具有“传染性”，迫使衍生项目也必须开源，这阻碍了其与商业生态及其他开源项目的整合。Lit-LLAMA 采用宽松的 Apache 2.0 许可证，让开发者可以自由地在各类项目中集成和使用，真正实现了技术的无障碍共享。\n\n该项目专为 AI 研究人员、深度学习工程师及开源社区贡献者设计。其技术亮点在于极简与高效：采用单文件实现，去除了冗余样板代码，同时在数值精度上与官方原版模型完全一致。它支持多种先进特性，包括 Flash Attention 加速、Int8 和 GPTQ 4bit 量化（显著降低显存需求，使消费级显卡也能运行）、以及 LoRA 和 LLaMA-Adapter 微调技术。\n\n需要注意的是，Lit-LLAMA 目前已停止主动维护，官方建议有新需求的用户转向其继任项目 LitGPT，以支持 LLaMA 2 及更多新模型。尽管如此，Lit-LLAMA 作为早期推动大模型完全","Lit-LLAMA 是一个基于 nanoGPT 架构独立实现的 LLaMA 大语言模型开源项目，旨在提供完全开放源代码的预训练、微调和推理代码。它核心解决了原始 LLaMA 代码受 GPL 协议限制的问题：原协议具有“传染性”，迫使衍生项目也必须开源，这阻碍了其与商业生态及其他开源项目的整合。Lit-LLAMA 采用宽松的 Apache 2.0 许可证，让开发者可以自由地在各类项目中集成和使用，真正实现了技术的无障碍共享。\n\n该项目专为 AI 研究人员、深度学习工程师及开源社区贡献者设计。其技术亮点在于极简与高效：采用单文件实现，去除了冗余样板代码，同时在数值精度上与官方原版模型完全一致。它支持多种先进特性，包括 Flash Attention 加速、Int8 和 GPTQ 4bit 量化（显著降低显存需求，使消费级显卡也能运行）、以及 LoRA 和 LLaMA-Adapter 微调技术。\n\n需要注意的是，Lit-LLAMA 目前已停止主动维护，官方建议有新需求的用户转向其继任项目 LitGPT，以支持 LLaMA 2 及更多新模型。尽管如此，Lit-LLAMA 作为早期推动大模型完全开源的重要实践，其简洁的代码结构和设计理念仍极具学习和参考价值，适合希望深入理解大模型底层机制或构建无许可负担应用的技术人员探索使用。","\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_ba8dcadb959f.png\" alt=\"Lit-LLaMA\" width=\"128\"\u002F>\n\n# ⚡ Lit-LLaMA ️\n\n![cpu-tests](https:\u002F\u002Fgithub.com\u002Flightning-AI\u002Flit-llama\u002Factions\u002Fworkflows\u002Fcpu-tests.yml\u002Fbadge.svg) [![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002FLightning-AI\u002Flit%20Models\u002F_build\u002Flatest?definitionId=49&branchName=main) [![license](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fblob\u002Fmaster\u002FLICENSE) [![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1077906959069626439?style=plastic)](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa)\n\n\u003Cpre>\n\u003Cb>⚠️ Warning: Not Actively Maintained\u003C\u002Fb>\n\nThis repository is no longer actively maintained. For a more up-to-date alternative, please visit the LitGPT project:\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flitgpt\">https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flitgpt\u003C\u002Fa>, which serves as the successor to this repository.\n\nFeel free to explore, reuse, or fork, but be aware that no further updates or support will be provided.\n\u003C\u002Fpre>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_348ea6619182.gif\" alt=\"Lit-LLaMA and pineapple pizza\" width=\"500px\"\u002F>\n\n\u003C\u002Fdiv>\n\n# ⚡ Lit-LLaMA ️\nIndependent implementation of [LLaMA](\u003Chttps:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama>) pretraining, finetuning, and inference code that is fully open source under the **Apache 2.0 license.**\n\nThis implementation builds on [nanoGPT](\u003Chttps:\u002F\u002Fgithub.com\u002Fkarpathy\u002FnanoGPT>).\n\nThe open-source code in this repository works with the original LLaMA weights that are distributed by Meta under a [research-only license](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama\u002Fblob\u002Fmain\u002FMODEL_CARD.md#model-details).\n\n## Looking for LLaMA 2?\n\nMeta AI has since released LLaMA 2. Additionally, new Apache 2.0 licensed weights are being released as part of the [Open LLaMA project](https:\u002F\u002Fgithub.com\u002Fopenlm-research\u002Fopen_llama).\n\nTo run LLaMA 2 weights, Open LLaMA weights, or Vicuna weights (among other LLaMA-like checkpoints), **check out the [Lit-GPT repository](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-gpt)**.\n\n## Why?\n\nWe believe that AI should be fully open source and part of the collective knowledge.\n\nThe original [LLaMA code](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama) is [GPL licensed](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama\u002Fblob\u002Fmain\u002FLICENSE) which means any project using it must also be released under GPL.\n\nThis \"taints\" any other code and prevents integration with the rest of the ecosystem.\n\n**Lit-LLaMA solves that for good.**\n\n \n\n## Design principles\n**Lit-LLaMA** is:\n\n- **Simple:** Single-file implementation without boilerplate.\n- **Correct:** Numerically equivalent to the original model.\n- **Optimized:** Runs on consumer hardware or at scale.\n- **Open-source:** No strings attached.\n\n## Get involved!\n[Join our Discord](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa) to build high-performance, truly open-source models for the common benefit of the community.\n\n \n\n## Setup\n\nClone the repo\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\ncd lit-llama\n```\n\ninstall dependencies\n\n```bash\npip install -e \".[all]\"\n```\n\nYou are all set! 🎉\n\n \n\n## Use the model\n\nTo generate text predictions, you need to download the model weights. **If you don't have them, check out our [guide](howto\u002Fdownload_weights.md).**\n\nRun inference:\n\n```bash\npython generate.py --prompt \"Hello, my name is\"\n```\n\nThis will run the 7B model and require ~26 GB of GPU memory (A100 GPU).\n\n[Full guide for generating samples from the model](howto\u002Finference.md).\n\n### Run Lit-LLaMA on consumer devices\n\nOn GPUs with `bfloat16` support, the `generate.py` script will automatically convert the weights and consume about ~14 GB.\nFor GPUs with less memory, or ones that don't support `bfloat16`, enable quantization (`--quantize llm.int8`):\n\n```bash\npython generate.py --quantize llm.int8 --prompt \"Hello, my name is\"\n```\n\nSee `python generate.py --help` for more options.\n\nYou can also use GPTQ-style int4 quantization, but this needs conversions of the weights first:\n\n```bash\npython quantize\u002Fgptq.py --output_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth --dtype bfloat16 --quantize gptq.int4\n```\n\nGPTQ-style int4 quantization brings GPU usage down to about ~5GB. As only the weights of the Linear layers are quantized, it is useful to also use `--dtype bfloat16` even with the quantization enabled.\n\nWith the generated quantized checkpoint generation quantization then works as usual with `--quantize gptq.int4` and the newly generated checkpoint file:\n\n```bash\npython generate.py --quantize gptq.int4 --checkpoint_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth\n```\n\n[Full guide for generating samples from the model](howto\u002Finference.md).\n\n## Finetune the model\n\nWe provide a simple training scripts in `finetune\u002Flora.py` and `finetune\u002Fadapter.py` that instruction-tunes a pretrained model on the [Alpaca](https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca) dataset using the techniques of [LoRA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.09685) and [Adapter](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.16199).\n\n1. Download the data and generate a instruction tuning dataset:\n\n   ```bash\n   python scripts\u002Fprepare_alpaca.py\n   ```\n\n2. Run the finetuning script\n\n   ```bash\n   python finetune\u002Flora.py\n   ```\n   or \n   ```bash\n   python finetune\u002Fadapter.py\n   ```\n\nIt is expected that you have downloaded the pretrained weights as described above.\nThe finetuning requires at least one GPU with ~24 GB memory (RTX 3090). Follow the instructions in the script to efficiently fit your GPU memory.\nNote: For some GPU models you might need to set `torch.backends.cuda.enable_flash_sdp(False)` (see comments at the top of the script).\n\nMore details about each finetuning method and how you can apply it to your own data can be found in our technical how-to guides.\n\n### Finetuning How-To Guides\n\nThese technical tutorials illustrate how to run the finetuning code.\n\n- [Finetune with LoRA](howto\u002Ffinetune_lora.md)\n- [Finetune with Adapters](howto\u002Ffinetune_adapter.md)\n\n### Understanding Finetuning -- Conceptual Tutorials\n\nLooking for conceptual tutorials and explanations? We have some additional articles below:\n\n- [Understanding Parameter-Efficient Finetuning of Large Language Models: From Prefix Tuning to LLaMA-Adapters](https:\u002F\u002Flightning.ai\u002Fpages\u002Fcommunity\u002Farticle\u002Funderstanding-llama-adapters\u002F)\n\n## Pre-training\n\nWe provide a simple training script based on Fabric if you want to venture into pre-training on RedPajama, a reproduction of the original LLaMA dataset.\nConversion scripts for our optimized streaming `PackedDataset` are included.\n\nFollow this guide to start pre-training on the RedPajama dataset:\n\n- [Pretrain on RedPajama](howto\u002Ftrain_redpajama.md)\n\n## Get involved!\n\nWe are on a quest towards fully open source AI.\n\n\u003Cimg align=\"right\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_c7340b070333.png\" alt=\"Lit-LLaMA\" width=\"128\"\u002F>\n\nJoin us and start contributing, especially on the following areas:\n\n- [ ] [Pre-training](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fpre-training)\n- [ ] [Fine-tuning (full and LoRA)](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Ffine-tuning)\n- [ ] [Quantization](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fquantization)\n- [ ] [Sparsification](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fsparsification)\n\nLook at `train.py` for a starting point towards pre-training \u002F fine-tuning using [Lightning Fabric](https:\u002F\u002Flightning.ai\u002Fdocs\u002Ffabric\u002Fstable\u002F).\n\nWe welcome all individual contributors, regardless of their level of experience or hardware. Your contributions are valuable, and we are excited to see what you can accomplish in this collaborative and supportive environment. \n\nUnsure about contributing? Check out our [Contributing to Lit-LLaMA: A Hitchhiker’s Guide to the Quest for Fully Open-Source AI](https:\u002F\u002Flightning.ai\u002Fpages\u002Fcommunity\u002Ftutorial\u002Fcontributing-to-lit-llama-a-hitchhikers-guide-to-the-quest-for-fully-open-source-ai\u002F) guide.\n\nDon't forget to [join our Discord](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa)!\n\n## Acknowledgements\n\n- [@karpathy](https:\u002F\u002Fgithub.com\u002Fkarpathy) for [nanoGPT](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002FnanoGPT)\n- [@FacebookResearch](https:\u002F\u002Fgithub.com\u002Ffacebookresearch) for the original [LLaMA implementation](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama)\n- [@TimDettmers](https:\u002F\u002Fgithub.com\u002FTimDettmers) for [bitsandbytes](https:\u002F\u002Fgithub.com\u002FTimDettmers\u002Fbitsandbytes)\n- [@Microsoft](https:\u002F\u002Fgithub.com\u002Fmicrosoft) for [LoRA](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FLoRA)\n- [@IST-DASLab](https:\u002F\u002Fgithub.com\u002FIST-DASLab) for [GPTQ](https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq)\n\n## License\n\nLit-LLaMA is released under the [Apache 2.0](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flightning-llama\u002Fblob\u002Fmain\u002FLICENSE) license.\n","\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_ba8dcadb959f.png\" alt=\"Lit-LLaMA\" width=\"128\"\u002F>\n\n# ⚡ Lit-LLaMA ️\n\n![cpu-tests](https:\u002F\u002Fgithub.com\u002Flightning-AI\u002Flit-llama\u002Factions\u002Fworkflows\u002Fcpu-tests.yml\u002Fbadge.svg) [![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002FLightning-AI\u002Flit%20Models\u002F_build\u002Flatest?definitionId=49&branchName=main) [![license](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fblob\u002Fmaster\u002FLICENSE) [![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1077906959069626439?style=plastic)](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa)\n\n\u003Cpre>\n\u003Cb>⚠️ 警告：不再积极维护\u003C\u002Fb>\n\n本仓库已不再积极维护。如需更先进的替代方案，请访问 LitGPT 项目：\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flitgpt\">https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flitgpt\u003C\u002Fa>,它是本仓库的继任者。\n\n您可以随意探索、重用或分叉，但请注意，我们将不再提供任何更新或支持。\n\u003C\u002Fpre>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_348ea6619182.gif\" alt=\"Lit-LLaMA 和菠萝披萨\" width=\"500px\"\u002F>\n\n\u003C\u002Fdiv>\n\n# ⚡ Lit-LLaMA ️\n独立实现的 [LLaMA](\u003Chttps:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama>) 预训练、微调和推理代码，完全开源，采用 **Apache 2.0 许可证。**\n\n该实现基于 [nanoGPT](\u003Chttps:\u002F\u002Fgithub.com\u002Fkarpathy\u002FnanoGPT>)。\n\n本仓库中的开源代码可与 Meta 按照 [仅限研究用途的许可证](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama\u002Fblob\u002Fmain\u002FMODEL_CARD.md#model-details) 分发的原始 LLaMA 权重配合使用。\n\n## 正在寻找 LLaMA 2 吗？\n\nMeta AI 已经发布了 LLaMA 2。此外，作为 [Open LLaMA 项目](https:\u002F\u002Fgithub.com\u002Fopenlm-research\u002Fopen_llama)的一部分，新的 Apache 2.0 许可权重也正在发布。\n\n要运行 LLaMA 2 权重、Open LLaMA 权重或 Vicuna 权重（以及其他类似 LLaMA 的检查点），**请查看 [Lit-GPT 仓库](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-gpt)**。\n\n## 为什么？\n\n我们相信人工智能应该完全开源，并成为集体知识的一部分。\n\n原始 [LLaMA 代码](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama) 采用 [GPL 许可证](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama\u002Fblob\u002Fmain\u002FLICENSE)，这意味着任何使用它的项目也必须以 GPL 许可证发布。\n\n这会“污染”其他代码，并阻止其与整个生态系统的集成。\n\n**Lit-LLaMA 彻底解决了这个问题。**\n\n \n\n## 设计原则\n**Lit-LLaMA** 具有以下特点：\n\n- **简单：** 单文件实现，无样板代码。\n- **正确：** 数值上与原模型等效。\n- **优化：** 可在消费级硬件上运行，也可扩展到大规模场景。\n- **开源：** 不附加任何条件。\n\n## 参与进来！\n[加入我们的 Discord](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa)，共同构建高性能、真正开源的模型，造福社区。\n\n \n\n## 设置\n\n克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\ncd lit-llama\n```\n\n安装依赖项\n\n```bash\npip install -e \".[all]\"\n```\n\n现在您已经准备好了！🎉\n\n \n\n## 使用模型\n\n要生成文本预测，您需要下载模型权重。**如果您还没有这些权重，请参阅我们的[指南](howto\u002Fdownload_weights.md)。**\n\n运行推理：\n\n```bash\npython generate.py --prompt \"你好，我叫\"\n```\n\n这将运行 7B 模型，需要约 26 GB 的 GPU 内存（A100 GPU）。\n\n[从模型生成样本的完整指南](howto\u002Finference.md)。\n\n### 在消费级设备上运行 Lit-LLaMA\n\n对于支持 `bfloat16` 的 GPU，`generate.py` 脚本会自动转换权重，占用约 14 GB 内存。对于显存较少或不支持 `bfloat16` 的 GPU，可以启用量化（`--quantize llm.int8`）：\n\n```bash\npython generate.py --quantize llm.int8 --prompt \"你好，我叫\"\n```\n\n更多选项请参阅 `python generate.py --help`。\n\n您还可以使用 GPTQ 风格的 int4 量化，但这需要先对权重进行转换：\n\n```bash\npython quantize\u002Fgptq.py --output_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth --dtype bfloat16 --quantize gptq.int4\n```\n\nGPTQ 风格的 int4 量化可将 GPU 内存占用降至约 5 GB。由于只有线性层的权重被量化，即使启用了量化，也建议同时使用 `--dtype bfloat16`。\n\n使用生成的量化检查点进行生成时，只需按照常规方式使用 `--quantize gptq.int4` 和新生成的检查点文件即可：\n\n```bash\npython generate.py --quantize gptq.int4 --checkpoint_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth\n```\n\n[从模型生成样本的完整指南](howto\u002Finference.md)。\n\n## 微调模型\n\n我们提供了简单的训练脚本 `finetune\u002Flora.py` 和 `finetune\u002Fadapter.py`，用于在 [Alpaca](https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca) 数据集上，利用 [LoRA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.09685) 和 [Adapter](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.16199) 技术对预训练模型进行指令微调。\n\n1. 下载数据并生成指令微调数据集：\n\n   ```bash\n   python scripts\u002Fprepare_alpaca.py\n   ```\n\n2. 运行微调脚本\n\n   ```bash\n   python finetune\u002Flora.py\n   ```\n   或\n   ```bash\n   python finetune\u002Fadapter.py\n   ```\n\n请确保您已按照上述说明下载了预训练权重。微调至少需要一块拥有约 24 GB 显存的 GPU（RTX 3090）。请遵循脚本中的说明，以高效利用您的 GPU 内存。注意：对于某些 GPU 型号，您可能需要设置 `torch.backends.cuda.enable_flash_sdp(False)`（请参阅脚本顶部的注释）。\n\n有关每种微调方法的详细信息以及如何将其应用于您自己的数据，请参阅我们的技术操作指南。\n\n### 微调操作指南\n\n这些技术教程展示了如何运行微调代码。\n\n- [使用 LoRA 微调](howto\u002Ffinetune_lora.md)\n- [使用 Adapter 微调](howto\u002Ffinetune_adapter.md)\n\n### 理解微调——概念性教程\n\n想要了解概念性的教程和解释吗？我们还准备了一些额外的文章：\n\n- [理解大型语言模型的参数高效微调：从前缀微调到 LLaMA-Adapters](https:\u002F\u002Flightning.ai\u002Fpages\u002Fcommunity\u002Farticle\u002Funderstanding-llama-adapters\u002F)\n\n## 预训练\n\n如果您想尝试在 RedPajama 数据集上进行预训练——RedPajama 是原始 LLaMA 数据集的复刻版——我们提供了一个基于 Fabric 的简单训练脚本。其中还包括用于我们优化后的流式 `PackedDataset` 的转换脚本。\n\n请按照此指南开始在 RedPajama 数据集上进行预训练：\n\n- [在 RedPajama 上进行预训练](howto\u002Ftrain_redpajama.md)\n\n## 参与进来吧！\n\n我们正致力于实现完全开源的人工智能。\n\n\u003Cimg align=\"right\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_readme_c7340b070333.png\" alt=\"Lit-LLaMA\" width=\"128\"\u002F>\n\n加入我们，开始贡献代码，特别是在以下几个领域：\n\n- [ ] [预训练](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fpre-training)\n- [ ] [微调（全参数和LoRA）](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Ffine-tuning)\n- [ ] [量化](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fquantization)\n- [ ] [稀疏化](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Flabels\u002Fsparsification)\n\n可以参考 `train.py` 文件，作为使用 [Lightning Fabric](https:\u002F\u002Flightning.ai\u002Fdocs\u002Ffabric\u002Fstable\u002F) 进行预训练或微调的起点。\n\n我们欢迎所有个人贡献者，无论其经验水平或硬件条件如何。您的贡献非常宝贵，我们期待在这一协作且充满支持的环境中看到您的成果。\n\n不确定如何贡献？请查看我们的[为 Lit-LLaMA 做贡献：通往完全开源人工智能之旅指南](https:\u002F\u002Flightning.ai\u002Fpages\u002Fcommunity\u002Ftutorial\u002Fcontributing-to-lit-llama-a-hitchhikers-guide-to-the-quest-for-fully-open-source-ai\u002F)。\n\n别忘了[加入我们的 Discord](https:\u002F\u002Fdiscord.gg\u002FVptPCZkGNa)！\n\n## 致谢\n\n- [@karpathy](https:\u002F\u002Fgithub.com\u002Fkarpathy) 的 [nanoGPT](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002FnanoGPT)\n- [@FacebookResearch](https:\u002F\u002Fgithub.com\u002Ffacebookresearch) 的原始 [LLaMA 实现](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fllama)\n- [@TimDettmers](https:\u002F\u002Fgithub.com\u002FTimDettmers) 的 [bitsandbytes](https:\u002F\u002Fgithub.com\u002FTimDettmers\u002Fbitsandbytes)\n- [@Microsoft](https:\u002F\u002Fgithub.com\u002Fmicrosoft) 的 [LoRA](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FLoRA)\n- [@IST-DASLab](https:\u002F\u002Fgithub.com\u002FIST-DASLab) 的 [GPTQ](https:\u002F\u002Fgithub.com\u002FIST-DASLab\u002Fgptq)\n\n## 许可证\n\nLit-LLaMA 采用 [Apache 2.0](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flightning-llama\u002Fblob\u002Fmain\u002FLICENSE) 许可证发布。","# Lit-LLaMA 快速上手指南\n\n> **⚠️ 重要提示**：本项目已不再积极维护。如需使用更新的版本（支持 LLaMA 2、Open LLaMA 等），请前往其继任项目 [LitGPT](https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flitgpt)。本指南仅适用于希望探索、复用或基于现有代码进行开发的开发者。\n\nLit-LLaMA 是 Meta LLaMA 模型的独立开源实现，采用 **Apache 2.0 许可证**，摆脱了原模型 GPL 协议的限制，完全开放且无附加条件。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**：Linux 或 macOS（Windows 需通过 WSL2 运行）\n- **Python**：3.8 及以上版本\n- **GPU**（推荐）：\n  - 全精度推理（7B 模型）：约 26 GB 显存（如 A100）\n  - bfloat16 推理：约 14 GB 显存（需支持 bfloat16 的 GPU）\n  - 量化推理（int8）：可在消费级显卡（如 RTX 3090，24GB）运行\n  - GPTQ int4 量化：仅需约 5 GB 显存\n\n### 前置依赖\n确保已安装 `git` 和 `pip`。建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖。\n\n## 2. 安装步骤\n\n克隆仓库并安装依赖：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\ncd lit-llama\npip install -e \".[all]\"\n```\n\n> 💡 **国内加速建议**：如遇下载缓慢，可配置 pip 使用国内镜像源：\n> ```bash\n> pip install -e \".[all]\" -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 3. 基本使用\n\n### 下载模型权重\n使用前需先下载 LLaMA 原始权重文件（需向 Meta 申请研究许可）。详细下载步骤请参考官方指南：[howto\u002Fdownload_weights.md](howto\u002Fdownload_weights.md)。\n\n### 文本生成（推理）\n\n运行以下命令生成文本：\n\n```bash\npython generate.py --prompt \"Hello, my name is\"\n```\n\n- 默认加载 7B 模型，需约 26 GB GPU 显存。\n- 若 GPU 支持 `bfloat16`，脚本将自动优化，显存占用降至约 14 GB。\n\n#### 低显存设备使用量化模式\n\n对于显存较小的 GPU，启用 int8 量化：\n\n```bash\npython generate.py --quantize llm.int8 --prompt \"Hello, my name is\"\n```\n\n或使用更高效的 GPTQ int4 量化（需预先转换权重）：\n\n```bash\n# 第一步：转换权重为 int4 格式\npython quantize\u002Fgptq.py --output_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth --dtype bfloat16 --quantize gptq.int4\n\n# 第二步：使用量化后的权重进行推理\npython generate.py --quantize gptq.int4 --checkpoint_path checkpoints\u002Flit-llama\u002F7B\u002Fllama-gptq.4bit.pth\n```\n\nint4 量化后可将显存需求降低至约 5 GB。\n\n---\n\n现在你已成功运行 Lit-LLaMA！更多高级用法（如微调、预训练）请参考项目中的 `howto\u002F` 目录文档。","一家初创教育科技公司希望在自有服务器上部署定制化的作文辅导助手，但受限于昂贵的 GPU 资源和复杂的模型授权协议。\n\n### 没有 lit-llama 时\n- **授权风险高**：原版 LLaMA 代码采用 GPL 协议，导致公司自研的商业代码被迫开源，存在严重的法律合规隐患。\n- **硬件门槛极高**：未量化的 7B 模型推理需占用约 26GB 显存，迫使团队必须租赁昂贵的 A100 服务器，大幅推高运营成本。\n- **代码集成困难**：原始实现包含大量样板代码且结构复杂，难以与公司现有的 PyTorch Lightning 训练流水线无缝对接。\n- **微调灵活性差**：缺乏内置的高效微调方案（如 LoRA），想要适配特定作文评分标准需从头编写大量底层代码。\n\n### 使用 lit-llama 后\n- **商业安全无忧**：lit-llama 基于宽松的 Apache 2.0 协议，允许公司将模型深度集成到私有商业系统中而无需开源核心业务逻辑。\n- **消费级显卡可用**：借助内置的 Int8 量化技术，模型显存占用降至 14GB 以下，成功在单张消费级 RTX 3090 上流畅运行。\n- **开发效率倍增**：单一文件实现的简洁架构去除了冗余样板，开发人员仅用半天即可完成环境搭建并与现有系统联调。\n- **低成本定制优化**：直接调用内置的 LoRA 和 LLaMA-Adapter 接口，快速利用少量标注数据完成了针对中文作文场景的指令微调。\n\nlit-llama 通过彻底的开源友好设计和极致的量化优化，让中小企业也能在低成本硬件上安全、高效地构建专属大语言模型应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLightning-AI_lit-llama_bf2526ef.png","Lightning-AI","⚡️ Lightning AI ","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLightning-AI_e518c84b.png","Turn ideas into AI, Lightning fast. Creators of PyTorch Lightning, Lightning AI Studio, TorchMetrics, Fabric, Lit-GPT, Lit-LLaMA",null,"LightningAI","https:\u002F\u002Flightning.ai\u002F","https:\u002F\u002Fgithub.com\u002FLightning-AI",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,6081,520,"2026-04-08T08:33:13","Apache-2.0","未说明","推理 7B 模型需约 26GB 显存 (如 A100)；支持 bfloat16 的 GPU 需约 14GB；使用 llm.int8 量化可降低需求；使用 GPTQ int4 量化需约 5GB 显存。微调至少需要一张 24GB 显存的 GPU (如 RTX 3090)。",{"notes":93,"python":90,"dependencies":94},"该项目已不再积极维护，建议转向其继任者 LitGPT。运行前需单独下载 Meta 发布的原始 LLaMA 权重文件（受研究许可限制）。部分 GPU 型号可能需要手动禁用 flash_sdp (设置 torch.backends.cuda.enable_flash_sdp(False))。支持多种量化方式 (int8, GPTQ int4) 以在消费级硬件上运行。",[95,96,97,98,99],"torch","lightning","bitsandbytes","scipy","tokenizers",[35,14],"2026-03-27T02:49:30.150509","2026-04-09T20:59:07.755878",[104,109,114,119,124,129],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},26563,"对于因果语言模型，应该使用左填充（left padding）还是右填充（right padding）？","在推理（inference）阶段，使用右填充是没有意义的，因为模型预期是预测下一个 token。如果序列中间存在填充 token，可能会严重损害生成的输出质量。因此，通常建议在推理时使用左填充，或者确保填充不会干扰注意力机制。虽然不同项目中左右填充的使用情况不一，但在生成任务中应避免右侧填充导致模型关注到无效的 padding token。","https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fissues\u002F77",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},26564,"在 RTX 3090 等显卡上运行时遇到 'Expected is_sm80 to be true, but got false' 错误如何解决？","该错误通常与 CUDA 的 Flash Attention 实现有关，RTX 3090 (SM86) 可能不完全兼容某些默认开启的优化。解决方案有两种：\n1. 降级 PyTorch 版本至 2.0。\n2. 在代码中显式禁用 Flash SDP 注意力机制，添加以下代码：`torch.backends.cuda.enable_flash_sdp(False)`。\n此外，也可以检查并注释掉脚本中可能导致问题的 `loss.item()` 调用，直到问题修复。","https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fissues\u002F101",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},26565,"运行量化生成命令时出现 'StopIteration' 错误或模型加载失败怎么办？","这通常是因为 Hugging Face 格式的权重文件转换不完整或脚本过旧导致的。请尝试以下步骤：\n1. 确保使用了最新的转换脚本，该项目已对 `scripts\u002Fconvert_hf_checkpoint.py` 进行了重构（参考 PR #122）。\n2. 重新克隆或下载正确的 Hugging Face 格式模型仓库（例如 `decapoda-research\u002Fllama-7b-hf`），确保包含 `pytorch_model.bin` 或 `.safetensors` 文件以及 `config.json`，而不是原始的 Meta AI 格式文件（如 `consolidated.00.pth`）。\n3. 重新运行转换脚本将 HF 权重转换为 lit-llama 格式后再进行量化推理。","https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fissues\u002F70",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},26566,"LoRA 微调是否支持 FP16 精度？为什么开启后结果不正确？","LoRA 理论上支持 FP16，但在某些实现或特定训练配置下（如使用 `fp16=true` 参数时），可能会遇到推理精度不匹配的问题。如果在训练时使用了 FP16，推理时也应保持一致。如果遇到结果异常，建议检查 PEFT 库或训练参数设置，确认 `fp16_backend` 配置是否正确。部分用户反馈在特定版本中混合精度可能导致数值不稳定，若问题持续，可尝试暂时使用 FP32 进行推理验证，或查阅相关 PEFT 文档确认当前版本对 FP16 LoRA 的支持状态。","https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fissues\u002F294",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},26567,"该代码库是否支持在 TPU 上运行？","原生支持可能有限，但可以通过 PyTorch XLA 项目来实现 TPU 支持。需要注意处理特定的算子警告，例如 `loss.item()` 调用可能会触发未降低（unlowered）操作的警告。建议参考 `pytorch\u002Fxla` 仓库的相关 Pull Request（如 #4990）以获取针对 TPU 运行的修复补丁和配置指南。如果在训练脚本中遇到此类警告，可能需要修改损失计算部分的代码以适配 XLA。","https:\u002F\u002Fgithub.com\u002FLightning-AI\u002Flit-llama\u002Fissues\u002F102",{"id":130,"question_zh":131,"answer_zh":132,"source_url":118},26568,"如何正确准备和转换 Hugging Face 格式的 LLaMA 模型权重以供本项目使用？","必须先将 Hugging Face 格式的权重转换为本项目所需的格式。步骤如下：\n1. 从 Hugging Face Hub 克隆模型仓库（例如：`git clone https:\u002F\u002Fhuggingface.co\u002Fdecapoda-research\u002Fllama-7b-hf`），确保目录中包含 `config.json` 和 `pytorch_model*.bin` 文件。\n2. 运行项目提供的转换脚本：`python scripts\u002Fconvert_hf_checkpoint.py --hf_checkpoint_path \u003C路径到克隆的仓库>`。\n3. 如果脚本报错，请确保已更新到最新版本的代码，因为转换脚本近期已被重构以更好地支持不同的文件结构。不要直接使用 Meta AI 原始发布的 `consolidated.*.pth` 文件，必须先转为 HF 格式或直接使用 HF 格式的仓库。",[]]