[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PAIR-code--lit":3,"tool-PAIR-code--lit":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",159267,2,"2026-04-17T11:29:14",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":116,"forks":117,"last_commit_at":118,"license":119,"difficulty_score":32,"env_os":120,"env_gpu":121,"env_ram":122,"env_deps":123,"category_tags":131,"github_topics":132,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":136,"updated_at":137,"faqs":138,"releases":172},8570,"PAIR-code\u002Flit","lit","The Learning Interpretability Tool: Interactively analyze ML models to understand their behavior in an extensible and framework agnostic interface.","LIT（Learning Interpretability Tool）是一款可视化、交互式的机器学习模型理解工具，旨在帮助开发者深入洞察模型行为。它支持文本、图像和表格数据，既能作为独立服务器运行，也能无缝集成到 Colab、Jupyter 等笔记本环境中。\n\n面对“模型为何做出特定预测”、“在哪些样本上表现不佳”或“修改输入后结果是否一致”等常见困惑，LIT 提供了直观的解答方案。通过浏览器界面，用户可以查看局部解释（如显著性热力图）、进行聚合分析以发现数据偏差，甚至利用反事实生成动态创建新样本来测试模型鲁棒性。其独特的并排对比模式，允许同时比较多个模型或同一模型在不同输入下的表现，极大提升了调试效率。\n\nLIT 特别适合 AI 研究人员、算法工程师及数据科学家使用。它的核心亮点在于高度的扩展性与框架无关性：不仅原生支持分类、回归、序列标注等多种任务类型，还能兼容 TensorFlow、PyTorch 等主流深度学习框架。无论是排查对抗性攻击风险，还是分析训练数据中的不良先验，LIT 都能以灵活、开源的方式协助用户构建更可信的 AI 系统。","# 🔥 Learning Interpretability Tool (LIT)\n\n\u003C!--* freshness: { owner: 'lit-dev' reviewed: '2024-06-25' } *-->\n\nThe Learning Interpretability Tool (🔥LIT, formerly known as the Language\nInterpretability Tool) is a visual, interactive ML model-understanding tool that\nsupports text, image, and tabular data. It can be run as a standalone server, or\ninside of notebook environments such as Colab, Jupyter, and Google Cloud Vertex\nAI notebooks.\n\nLIT is built to answer questions such as:\n\n*   **What kind of examples** does my model perform poorly on?\n*   **Why did my model make this prediction?** Can this prediction be attributed\n    to adversarial behavior, or to undesirable priors in the training set?\n*   **Does my model behave consistently** if I change things like textual style,\n    verb tense, or pronoun gender?\n\n![Example of LIT UI](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPAIR-code_lit_readme_65e47192ab4c.png)\n\nLIT supports a variety of debugging workflows through a browser-based UI.\nFeatures include:\n\n*   **Local explanations** via salience maps and rich visualization of model\n    predictions.\n*   **Aggregate analysis** including custom metrics, slicing and binning, and\n    visualization of embedding spaces.\n*   **Counterfactual generation** via manual edits or generator plug-ins to\n    dynamically create and evaluate new examples.\n*   **Side-by-side mode** to compare two or more models, or one model on a pair\n    of examples.\n*   **Highly extensible** to new model types, including classification,\n    regression, span labeling, seq2seq, and language modeling. Supports\n    multi-head models and multiple input features out of the box.\n*   **Framework-agnostic** and compatible with TensorFlow, PyTorch, and more.\n\nLIT has a [website](https:\u002F\u002Fpair-code.github.io\u002Flit) with live demos, tutorials,\na setup guide and more.\n\nStay up to date on LIT by joining the\n[lit-announcements mailing list](https:\u002F\u002Fgroups.google.com\u002Fg\u002Flit-annoucements).\n\nFor a broader overview, check out [our paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.05122) and the\n[user guide](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fui_guide).\n\n## Documentation\n\n*   [Documentation index](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002F)\n*   [FAQ](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Ffaq)\n*   [Release notes](.\u002FRELEASE.md)\n\n## Download and Installation\n\nLIT can be installed via `pip` or built from source. Building from source is\nnecessary if you want to make code changes.\n\n### Install from PyPI with pip\n\n```sh\npip install lit-nlp\n```\n\nThe default `pip` installation will install all required packages to use the LIT\nPython API, built-in interpretability components, and web application. To\ninstall dependencies for the provided demos or test suite, install LIT with the\nappropriate optional dependencies.\n\n```sh\n# To install dependencies for the discriminative AI examples (GLUE, Penguin)\npip install 'lit-nlp[examples-discriminative-ai]'\n\n# To install dependencies for the generative AI examples (Prompt Debugging)\npip install 'lit-nlp[examples-generative-ai]'\n\n# To install dependencies for all examples plus the test suite\npip install 'lit-nlp[test]'\n```\n\n### Install from source\n\nClone the repo:\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit.git\ncd lit\n```\n\nNote: be sure you are running Python 3.9+. If you have a different version on\nyour system, use the `conda` instructions below to set up a Python 3.9\nenvironment.\n\nSet up a Python environment with `venv` (or your preferred environment manager).\nNote that these instructions assume you will be making code changes to LIT and\nincludes the full requirements for all examples and the test suite. See the\nother optional dependency possibilities in the install with pip section.\n\n```sh\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\npython -m pip install -e '.[test]'\n```\n\nThe LIT repo does not include a distributable version of the LIT app. You must\nbuild it from source.\n\n```sh\n(cd lit_nlp; yarn && yarn build)\n```\n\nNote: if you see [an error](https:\u002F\u002Fgithub.com\u002Fyarnpkg\u002Fyarn\u002Fissues\u002F2821)\nrunning `yarn` on Ubuntu\u002FDebian, be sure you have the\n[correct version installed](https:\u002F\u002Fyarnpkg.com\u002Fen\u002Fdocs\u002Finstall#linux-tab).\n\n## Running LIT\n\nExplore a collection of hosted demos on the\n[demos page](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdemos).\n\n### Using container images\n\nSee the [containerization guide](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fdocker) for instructions on using LIT\nlocally in Docker, Podman, etc.\n\nLIT also provides pre-built images that can take advantage of accelerators,\nmaking Generative AI and LLM use cases easier to work with. Check out the\n[LIT on GCP docs](https:\u002F\u002Fcodelabs.developers.google.com\u002Fcodelabs\u002Fresponsible-ai\u002Flit-on-gcp)\nfor more.\n\n### Quick-start: classification and regression\n\nTo explore classification and regression models tasks from the popular\n[GLUE benchmark](https:\u002F\u002Fgluebenchmark.com\u002F):\n\n```sh\npython -m lit_nlp.examples.glue.demo --port=5432 --quickstart\n```\n\nNavigate to http:\u002F\u002Flocalhost:5432 to access the LIT UI.\n\nYour default view will be a\n[small BERT-based model](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.08962) fine-tuned on the\n[Stanford Sentiment Treebank](https:\u002F\u002Fnlp.stanford.edu\u002Fsentiment\u002Ftreebank.html),\nbut you can switch to\n[STS-B](http:\u002F\u002Fixa2.si.ehu.es\u002Fstswiki\u002Findex.php\u002FSTSbenchmark) or\n[MultiNLI](https:\u002F\u002Fcims.nyu.edu\u002F~sbowman\u002Fmultinli\u002F) using the toolbar or the\ngear icon in the upper right.\n\nAnd navigate to http:\u002F\u002Flocalhost:5432 for the UI.\n\n### Notebook usage\n\nColab notebooks showing the use of LIT inside of notebooks can be found at\n[lit_nlp\u002Fexamples\u002Fnotebooks](.\u002Flit_nlp\u002Fexamples\u002Fnotebooks).\n\nWe provide a simple\n[Colab demo](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FPAIR-code\u002Flit\u002Fblob\u002Fmain\u002Flit_nlp\u002Fexamples\u002Fnotebooks\u002FLIT_sentiment_classifier.ipynb).\nRun all the cells to see LIT on an example classification model in the notebook.\n\n### More Examples\n\nSee [lit_nlp\u002Fexamples](.\u002Flit_nlp\u002Fexamples). Most are run similarly to the\nquickstart example above:\n\n```sh\npython -m lit_nlp.examples.\u003Cexample_name>.demo --port=5432 [optional --args]\n```\n\n## User Guide\n\nTo learn about LIT's features, check out the [user guide](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fui_guide), or\nwatch this [video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CuRI_VK83dU).\n\n## Adding your own models or data\n\nYou can easily run LIT with your own model by creating a custom `demo.py`\nlauncher, similar to those in [lit_nlp\u002Fexamples](.\u002Flit_nlp\u002Fexamples). The\nbasic steps are:\n\n*   Write a data loader which follows the [`Dataset` API](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#datasets)\n*   Write a model wrapper which follows the [`Model` API](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#models)\n*   Pass models, datasets, and any additional\n    [components](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#interpretation-components) to the LIT server class\n\nFor a full walkthrough, see\n[adding models and data](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#adding-models-and-data).\n\n## Extending LIT with new components\n\nLIT is easy to extend with new interpretability components, generators, and\nmore, both on the frontend or the backend. See our [documentation](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002F) to get\nstarted.\n\n## Pull Request Process\n\nTo make code changes to LIT, please work off of the `dev` branch and\n[create pull requests](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fpull-requests\u002Fcollaborating-with-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fcreating-a-pull-request)\n(PRs) against that branch. The `main` branch is for stable releases, and it is\nexpected that the `dev` branch will always be ahead of `main`.\n\n[Draft PRs](https:\u002F\u002Fgithub.blog\u002F2019-02-14-introducing-draft-pull-requests\u002F) are\nencouraged, especially for first-time contributors or contributors working on\ncomplex tasks (e.g., Google Summer of Code contributors). Please use these to\ncommunicate ideas and implementations with the LIT team, in addition to issues.\n\nPrior to sending your PR or marking a Draft PR as \"Ready for Review\", please run\nthe Python and TypeScript linters on your code to ensure compliance with\nGoogle's [Python](https:\u002F\u002Fgoogle.github.io\u002Fstyleguide\u002Fpyguide.html) and\n[TypeScript](https:\u002F\u002Fgoogle.github.io\u002Fstyleguide\u002Ftsguide.html) Style Guides.\n\n```sh\n# Run Pylint on your code using the following command from the root of this repo\n(cd lit_nlp; pylint)\n\n# Run ESLint on your code using the following command from the root of this repo\n(cd lit_nlp; yarn lint)\n```\n\n## Citing LIT\n\nIf you use LIT as part of your work, please cite the\n[EMNLP paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.05122) or the\n[Sequence Salience paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2404.07498)\n\n```BibTeX\n@misc{tenney2020language,\n    title={The Language Interpretability Tool: Extensible, Interactive Visualizations and Analysis for {NLP} Models},\n    author={Ian Tenney and James Wexler and Jasmijn Bastings and Tolga Bolukbasi and Andy Coenen and Sebastian Gehrmann and Ellen Jiang and Mahima Pushkarna and Carey Radebaugh and Emily Reif and Ann Yuan},\n    booktitle = \"Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations\",\n    year = \"2020\",\n    publisher = \"Association for Computational Linguistics\",\n    pages = \"107--118\",\n    url = \"https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002F2020.emnlp-demos.15\",\n}\n```\n\n```BibTeX\n@article{tenney2024interactive,\n  title={Interactive prompt debugging with sequence salience},\n  author={Tenney, Ian and Mullins, Ryan and Du, Bin and Pandya, Shree and Kahng, Minsuk and Dixon, Lucas},\n  journal={arXiv preprint arXiv:2404.07498},\n  year={2024}\n}\n```\n\n## Disclaimer\n\nThis is not an official Google product.\n\nLIT is a research project and under active development by a small team. We want\nLIT to be an open platform, not a walled garden, and would love your suggestions\nand feedback – please\n[report any bugs](https:\u002F\u002Fgithub.com\u002Fpair-code\u002Flit\u002Fissues) and reach out on the\n[Discussions page](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fdiscussions\u002Flanding).\n\n","# 🔥 学习可解释性工具 (LIT)\n\n\u003C!--* freshness: { owner: 'lit-dev' reviewed: '2024-06-25' } *-->\n\n学习可解释性工具（🔥LIT，前身为语言可解释性工具）是一款可视化、交互式的机器学习模型理解工具，支持文本、图像和表格数据。它可以作为独立服务器运行，也可以在 Colab、Jupyter 和 Google Cloud Vertex AI 笔记本等笔记本环境中使用。\n\nLIT 的设计旨在回答以下问题：\n\n*   **我的模型在哪些类型的示例上表现不佳？**\n*   **为什么我的模型做出了这个预测？** 这个预测是否可以归因于对抗性行为，或者训练集中存在的不良先验？\n*   **如果我改变文本风格、动词时态或代词性别等因素，我的模型的行为是否一致？**\n\n![LIT 用户界面示例](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPAIR-code_lit_readme_65e47192ab4c.png)\n\nLIT 通过基于浏览器的用户界面支持多种调试工作流。其功能包括：\n\n*   **局部解释**：通过显著性图和丰富的模型预测可视化来实现。\n*   **聚合分析**：包括自定义指标、切片与分箱，以及嵌入空间的可视化。\n*   **反事实生成**：通过手动编辑或生成器插件动态创建并评估新的示例。\n*   **并排模式**：用于比较两个或多个模型，或同一模型在一对示例上的表现。\n*   **高度可扩展**：适用于新的模型类型，包括分类、回归、跨度标注、序列到序列模型和语言建模。开箱即用即可支持多头模型和多个输入特征。\n*   **框架无关**：兼容 TensorFlow、PyTorch 等多种框架。\n\nLIT 拥有一个[网站](https:\u002F\u002Fpair-code.github.io\u002Flit)，提供实时演示、教程、安装指南等内容。\n\n请加入[lit-announcements 邮件列表](https:\u002F\u002Fgroups.google.com\u002Fg\u002Flit-annoucements)，以获取 LIT 的最新动态。\n\n如需更全面的概述，请参阅我们的[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.05122)和[用户指南](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fui_guide)。\n\n## 文档\n\n*   [文档索引](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002F)\n*   [常见问题解答](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Ffaq)\n*   [发布说明](.\u002FRELEASE.md)\n\n## 下载与安装\n\nLIT 可以通过 `pip` 安装，也可以从源代码构建。如果您希望对代码进行修改，则需要从源代码构建。\n\n### 使用 pip 从 PyPI 安装\n\n```sh\npip install lit-nlp\n```\n\n默认的 `pip` 安装会安装所有必要的包，以便使用 LIT 的 Python API、内置的可解释性组件和 Web 应用程序。若要安装提供的演示或测试套件所需的依赖项，请使用相应的可选依赖项安装 LIT。\n\n```sh\n# 安装判别式 AI 示例（GLUE、企鹅）所需的依赖项\npip install 'lit-nlp[examples-discriminative-ai]'\n\n# 安装生成式 AI 示例（提示调试）所需的依赖项\npip install 'lit-nlp[examples-generative-ai]'\n\n# 安装所有示例及测试套件所需的依赖项\npip install 'lit-nlp[test]'\n```\n\n### 从源代码安装\n\n克隆仓库：\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit.git\ncd lit\n```\n\n注意：请确保您正在使用 Python 3.9 或更高版本。如果您系统中安装的是其他版本，请按照下面的 `conda` 指导设置一个 Python 3.9 环境。\n\n使用 `venv`（或您偏好的环境管理器）设置 Python 环境。请注意，这些说明假设您将对 LIT 进行代码更改，并包含所有示例和测试套件的完整要求。有关其他可选依赖项的可能性，请参阅使用 pip 安装部分。\n\n```sh\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\npython -m pip install -e '.[test]'\n```\n\nLIT 仓库不包含可分发的 LIT 应用程序版本。您必须从源代码构建它。\n\n```sh\n(cd lit_nlp; yarn && yarn build)\n```\n\n注意：如果您在 Ubuntu\u002FDebian 上运行 `yarn` 时遇到[错误](https:\u002F\u002Fgithub.com\u002Fyarnpkg\u002Fyarn\u002Fissues\u002F2821)，请确保已安装[正确的版本](https:\u002F\u002Fyarnpkg.com\u002Fen\u002Fdocs\u002Finstall#linux-tab)。\n\n## 运行 LIT\n\n您可以在[demos 页面](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdemos)上探索一系列托管演示。\n\n### 使用容器镜像\n\n请参阅[容器化指南](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fdocker)，了解如何在本地使用 Docker、Podman 等工具运行 LIT。\n\nLIT 还提供了预构建的镜像，可以利用加速器，从而更轻松地处理生成式 AI 和 LLM 相关用例。更多信息请参阅[LIT on GCP 文档](https:\u002F\u002Fcodelabs.developers.google.com\u002Fcodelabs\u002Fresponsible-ai\u002Flit-on-gcp)。\n\n### 快速入门：分类与回归\n\n要探索来自热门[GLUE 基准测试](https:\u002F\u002Fgluebenchmark.com\u002F)的分类和回归任务：\n\n```sh\npython -m lit_nlp.examples.glue.demo --port=5432 --quickstart\n```\n\n导航至 http:\u002F\u002Flocalhost:5432 即可访问 LIT 用户界面。\n\n您的默认视图将是一个基于[BERT的小型模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.08962)，该模型在[斯坦福情感树库](https:\u002F\u002Fnlp.stanford.edu\u002Fsentiment\u002Ftreebank.html)上进行了微调。不过，您可以通过工具栏或右上角的齿轮图标切换到[STS-B](http:\u002F\u002Fixa2.si.ehu.es\u002Fstswiki\u002Findex.php\u002FSTSbenchmark)或[MultiNLI](https:\u002F\u002Fcims.nyu.edu\u002F~sbowman\u002Fmultinli\u002F)。\n\n然后导航至 http:\u002F\u002Flocalhost:5432 即可访问用户界面。\n\n### 笔记本使用\n\n在[lit_nlp\u002Fexamples\u002Fnotebooks](.\u002Flit_nlp\u002Fexamples\u002Fnotebooks)中可以找到展示 LIT 在笔记本中使用的 Colab 笔记本。\n\n我们提供了一个简单的[Colab 演示](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FPAIR-code\u002Flit\u002Fblob\u002Fmain\u002Flit_nlp\u002Fexamples\u002Fnotebooks\u002FLIT_sentiment_classifier.ipynb)。运行所有单元格即可在笔记本中查看 LIT 在示例分类模型上的应用。\n\n### 更多示例\n\n请参阅[lit_nlp\u002Fexamples](.\u002Flit_nlp\u002Fexamples)。大多数示例的运行方式与上述快速入门示例类似：\n\n```sh\npython -m lit_nlp.examples.\u003Cexample_name>.demo --port=5432 [optional --args]\n```\n\n## 用户指南\n\n要了解 LIT 的功能，请参阅[用户指南](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fui_guide)，或观看此[视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CuRI_VK83dU)。\n\n## 添加您自己的模型或数据\n\n您可以通过创建一个类似于[lit_nlp\u002Fexamples](.\u002Flit_nlp\u002Fexamples)中的自定义 `demo.py` 启动脚本来轻松运行 LIT。基本步骤如下：\n\n*   编写遵循[`Dataset` API](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#datasets)的数据加载器。\n*   编写遵循[`Model` API](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#models)的模型封装器。\n*   将模型、数据集以及任何额外的[组件](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#interpretation-components)传递给 LIT 服务器类。\n\n有关完整流程，请参阅[添加模型和数据](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002Fapi#adding-models-and-data)。\n\n## 使用新组件扩展 LIT\n\nLIT 非常易于扩展，可以在前端或后端添加新的可解释性组件、生成器等。请参阅我们的[文档](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002F)以开始使用。\n\n## 拉取请求流程\n\n如需对 LIT 进行代码更改，请基于 `dev` 分支进行开发，并针对该分支[创建拉取请求](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fpull-requests\u002Fcollaborating-with-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fcreating-a-pull-request)（PR）。`main` 分支用于发布稳定版本，而 `dev` 分支应始终领先于 `main` 分支。\n\n我们鼓励使用[草稿 PR](https:\u002F\u002Fgithub.blog\u002F2019-02-14-introducing-draft-pull-requests\u002F)，尤其是对于首次贡献者或正在处理复杂任务的贡献者（例如 Google Summer of Code 的参与者）。除了通过问题讨论外，还请使用草稿 PR 与 LIT 团队沟通您的想法和实现方案。\n\n在提交 PR 或将草稿 PR 标记为“准备评审”之前，请务必运行 Python 和 TypeScript 的代码检查工具，以确保代码符合 Google 的[Python](https:\u002F\u002Fgoogle.github.io\u002Fstyleguide\u002Fpyguide.html) 和 [TypeScript](https:\u002F\u002Fgoogle.github.io\u002Fstyleguide\u002Ftsguide.html) 代码风格指南。\n\n```sh\n# 在本仓库根目录下运行以下命令以检查 Python 代码\n(cd lit_nlp; pylint)\n\n# 在本仓库根目录下运行以下命令以检查 TypeScript 代码\n(cd lit_nlp; yarn lint)\n```\n\n## 引用 LIT\n\n如果您在工作中使用了 LIT，请引用[EMNLP 论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.05122)或[序列显著性论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2404.07498)：\n\n```BibTeX\n@misc{tenney2020language,\n    title={The Language Interpretability Tool: Extensible, Interactive Visualizations and Analysis for {NLP} Models},\n    author={Ian Tenney and James Wexler and Jasmijn Bastings and Tolga Bolukbasi and Andy Coenen and Sebastian Gehrmann and Ellen Jiang and Mahima Pushkarna and Carey Radebaugh and Emily Reif and Ann Yuan},\n    booktitle = \"Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations\",\n    year = \"2020\",\n    publisher = \"Association for Computational Linguistics\",\n    pages = \"107--118\",\n    url = \"https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002F2020.emnlp-demos.15\",\n}\n```\n\n```BibTeX\n@article{tenney2024interactive,\n  title={Interactive prompt debugging with sequence salience},\n  author={Tenney, Ian and Mullins, Ryan and Du, Bin and Pandya, Shree and Kahng, Minsuk and Dixon, Lucas},\n  journal={arXiv preprint arXiv:2404.07498},\n  year={2024}\n}\n```\n\n## 免责声明\n\n本项目并非 Google 官方产品。\n\nLIT 是一个由小型团队积极开发中的研究项目。我们希望 LIT 能成为一个开放平台，而非封闭的生态系统，并非常欢迎您的建议和反馈——请[报告任何错误](https:\u002F\u002Fgithub.com\u002Fpair-code\u002Flit\u002Fissues)或在[讨论页](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fdiscussions\u002Flanding)上与我们联系。","# LIT (Learning Interpretability Tool) 快速上手指南\n\nLIT 是一款由 Google PAIR 团队开发的可视化、交互式机器学习模型理解工具，支持文本、图像和表格数据。它可以帮助开发者分析模型为何做出特定预测、识别表现不佳的样本以及对比不同模型的行为。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux\u002FmacOS 以获得最佳兼容性)\n*   **Python 版本**：Python 3.9 或更高版本\n*   **包管理器**：`pip` (用于 Python 依赖)\n*   **前端构建工具 (仅源码安装需要)**：`yarn` (用于构建 Web 界面)\n*   **浏览器**：现代浏览器 (Chrome, Firefox, Edge 等)\n\n> **提示**：如果您系统默认的 Python 版本低于 3.9，建议使用 `conda` 或 `venv` 创建独立的虚拟环境。\n\n## 安装步骤\n\n您可以通过 PyPI 直接安装（推荐），也可以从源码构建以进行二次开发。\n\n### 方式一：通过 pip 安装（推荐）\n\n这是最简单的安装方式，适用于直接使用 LIT 功能。\n\n```bash\npip install lit-nlp\n```\n\n如果您需要运行官方提供的示例（如 GLUE 基准测试或生成式 AI 示例），可以安装可选依赖：\n\n```bash\n# 安装判别式 AI 示例依赖 (如 GLUE, Penguin)\npip install 'lit-nlp[examples-discriminative-ai]'\n\n# 安装生成式 AI 示例依赖 (如 Prompt Debugging)\npip install 'lit-nlp[examples-generative-ai]'\n\n# 安装所有示例依赖及测试套件\npip install 'lit-nlp[test]'\n```\n\n> **国内加速建议**：如果下载速度较慢，可以使用国内镜像源：\n> `pip install lit-nlp -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 方式二：从源码安装（适用于开发者）\n\n如果您需要修改 LIT 核心代码或贡献插件，请按以下步骤操作：\n\n1.  克隆仓库并进入目录：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit.git\n    cd lit\n    ```\n\n2.  创建并激活虚拟环境：\n    ```bash\n    python -m venv .venv\n    source .venv\u002Fbin\u002Factivate  # Windows 用户请使用: .venv\\Scripts\\activate\n    ```\n\n3.  安装开发依赖：\n    ```bash\n    python -m pip install -e '.[test]'\n    ```\n\n4.  构建前端应用（必须步骤）：\n    ```bash\n    (cd lit_nlp; yarn && yarn build)\n    ```\n    *注意：如果在 Ubuntu\u002FDebian 上运行 `yarn` 报错，请确保安装了正确版本的 Yarn。*\n\n## 基本使用\n\n安装完成后，您可以立即运行内置的示例来体验 LIT 的功能。以下是一个基于 BERT 模型的情感分类快速启动示例。\n\n### 1. 启动服务\n\n在终端中运行以下命令启动本地服务器：\n\n```bash\npython -m lit_nlp.examples.glue.demo --port=5432 --quickstart\n```\n\n*   `--port=5432`：指定服务端口。\n*   `--quickstart`：加载预训练的小型 BERT 模型和斯坦福情感树库 (SST-2) 数据集。\n\n### 2. 访问界面\n\n打开浏览器，访问以下地址：\n\n```text\nhttp:\u002F\u002Flocalhost:5432\n```\n\n### 3. 初步探索\n\n进入界面后，您将看到默认的情感分析视图：\n*   **左侧面板**：显示数据集中的样本列表，红色\u002F绿色高亮表示模型预测置信度。\n*   **中间面板**：点击任意样本，查看详细的 **Salience Map (显著性图)**，了解哪些词对预测结果影响最大。\n*   **右侧面板**：查看嵌入空间可视化或进行反事实生成（手动修改文本观察预测变化）。\n\n您可以在右上角的工具栏或齿轮图标中切换其他数据集（如 STS-B 或 MultiNLI），或加载您自己的模型进行调试。\n\n### 在 Notebook 中使用\n\nLIT 也完美支持 Jupyter 和 Colab 环境。您可以参考官方提供的 Colab 示例直接在笔记本中运行：\n[LIT Sentiment Classifier Demo](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FPAIR-code\u002Flit\u002Fblob\u002Fmain\u002Flit_nlp\u002Fexamples\u002Fnotebooks\u002FLIT_sentiment_classifier.ipynb)","某电商公司的算法团队正在优化一款基于 BERT 的商品评论情感分析模型，急需排查模型为何频繁误判包含反讽语气的负面评论。\n\n### 没有 lit 时\n- 开发者只能依赖静态日志和聚合准确率指标，难以定位具体是哪些“反讽”样本导致了模型性能下降。\n- 当模型将一句明显的反话（如“这手机电池真耐用，半天就没了”）预测为正面时，无法直观看到是哪些词汇误导了模型判断。\n- 想要验证模型是否对特定句式敏感，必须手动编写脚本构造对抗样本并重新运行推理，迭代周期长达数小时。\n- 对比不同版本模型的表现时，缺乏并排可视化的界面，只能靠肉眼比对分散的实验数据表格。\n\n### 使用 lit 后\n- 利用 lit 的切片与分箱功能，团队迅速筛选出所有包含转折词的低置信度样本，精准锁定了反讽语句这一主要错误簇。\n- 通过交互式显著性热力图，直接高亮显示模型过度关注了“耐用”而忽略了“半天就没了”，瞬间理解了误判归因。\n- 在侧边栏直接手动修改文本或启用反事实生成插件，实时观察模型预测变化，几分钟内即可验证模型对语气改变的鲁棒性。\n- 开启并排模式，同时加载旧版与新版模型，直观对比两者在同一批反讽样本上的预测差异，快速确认优化效果。\n\nlit 将原本黑盒且耗时的模型调试过程，转变为透明、即时且可交互的探索体验，极大提升了算法迭代效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPAIR-code_lit_65e47192.png","PAIR-code","PAIR code","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPAIR-code_8b8800c7.png","Code repositories for projects from the People+AI Research (PAIR) Initiative",null,"https:\u002F\u002Fpair.withgoogle.com","https:\u002F\u002Fgithub.com\u002FPAIR-code",[80,84,88,92,96,100,104,108,112],{"name":81,"color":82,"percentage":83},"TypeScript","#3178c6",49.1,{"name":85,"color":86,"percentage":87},"Python","#3572A5",42.6,{"name":89,"color":90,"percentage":91},"CSS","#663399",4.4,{"name":93,"color":94,"percentage":95},"JavaScript","#f1e05a",2.1,{"name":97,"color":98,"percentage":99},"Jupyter Notebook","#DA5B0B",0.8,{"name":101,"color":102,"percentage":103},"Liquid","#67b8de",0.6,{"name":105,"color":106,"percentage":107},"Dockerfile","#384d54",0.3,{"name":109,"color":110,"percentage":111},"HTML","#e34c26",0.1,{"name":113,"color":114,"percentage":115},"Shell","#89e051",0,3652,372,"2026-04-14T23:59:21","Apache-2.0","Linux, macOS, Windows","未说明 (支持通过 Docker\u002FPodman 使用加速器，但未指定具体型号或显存要求)","未说明",{"notes":124,"python":125,"dependencies":126},"该工具框架无关，兼容 TensorFlow 和 PyTorch。若从源码安装，必须使用 yarn 构建前端应用。在 Ubuntu\u002FDebian 上运行 yarn 时需确保安装了正确版本。支持通过 Docker 或 Podman 容器化运行，并提供针对生成式 AI 和 LLM 用例的预构建镜像以利用硬件加速器。","3.9+",[127,128,129,130],"lit-nlp","yarn (用于构建前端)","TensorFlow (可选)","PyTorch (可选)",[14,35],[133,134,135],"machine-learning","natural-language-processing","visualization","2026-03-27T02:49:30.150509","2026-04-18T00:45:40.308138",[139,144,149,154,159,164,168],{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},38390,"如何在 Google Cloud Vertex AI Workbench Notebook 中使用 LIT 组件？","由于正式版本发布前存在 Python 3.9 的兼容性问题，建议暂时通过 git 安装 `dev` 分支来解决。请使用以下命令进行安装：\n\npip install git+https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit.git@dev\n\n维护者表示该分支已修复了相关的兼容性小问题。","https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fissues\u002F1463",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},38391,"运行 GLUE 基准测试演示时遇到 HTTP 403 错误或数据点无法显示怎么办？","这通常是由于 `transformers` 库的版本不匹配导致的。LIT 演示依赖于特定版本的 transformers（例如 4.1.1）。请检查您的 `environment.yml` 文件或使用以下命令安装正确版本：\n\npip install transformers==4.1.1\n\n确保虚拟环境中的依赖项与项目要求完全一致。","https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fissues\u002F296",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},38392,"在 LIT UI 中看到数据集显示为 'None' 或遇到缓存相关错误如何解决？","如果遇到数据集显示为 None 或类似的缓存不一致错误（如 'Found input variables with inconsistent numbers of samples'），尝试清除本地缓存并重新安装 LIT 通常能解决问题。\n\n解决步骤：\n1. 删除 LIT 的缓存目录。\n2. 重新安装 LIT 包。\n\n用户反馈表明，执行清理缓存和重装操作后，问题即可解决。","https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fissues\u002F367",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},38393,"运行 Prompt 调试示例或 Sequence Salience 教程时出现未知错误且界面卡在加载状态怎么办？","这是一个已知问题，维护团队已经修复并发布了一个次要更新版本。请确保您将 LIT 升级到最新版本。\n\n升级命令：\npip install --upgrade lit-nlp\n\n升级后，Sequence Salience 教程应能正常运行，无需额外修改。","https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fissues\u002F1595",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},38394,"LIT 支持哪些可解释性技术（Interpretability Techniques）？","LIT 平台支持多种主流的可解释性技术，包括但不限于：\n- Grad L2 Norm\n- Grad⋅Input\n- Integrated Gradients (积分梯度)\n- LIME\n\n用户可以通过 LIT 的界面比较不同技术的结果，并利用生成器探索反事实预测。","https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fissues\u002F664",{"id":165,"question_zh":166,"answer_zh":167,"source_url":163},38395,"如何使用 LIT 分析表格数据模型（Tabular Models）？","LIT 支持类似 'What-If Tool' 的工作流来分析表格模型。您可以使用 LIT 的 Feature Attribution 模块来识别影响特征，或使用 Salience Clustering 模块查找植入样本。虽然具体代码示例需参考官方教程，但核心是通过定义数据集规范（spec）将表格列映射为 `lit_types` 支持的类型（如 `CategoryLabel`），然后启动服务器进行可视化分析。",{"id":169,"question_zh":170,"answer_zh":171,"source_url":163},38396,"如何在 Colab 或 Jupyter 中高效集成和使用 LIT？","LIT 提供了专门针对非标准工作流的提示和技巧，包括与 Colab 和 Jupyter 的有效集成。用户可以通过开发新的解释性组件或生成器组件来扩展功能，也可以在 Metrics 模块中添加自定义指标。具体的集成代码通常涉及导入 `lit_nlp.dev_server` 并在 notebook 单元格中启动服务实例。",[173,178,183,188,193,198,203,208,213,218,223,228,233,238],{"id":174,"version":175,"summary_zh":176,"released_at":177},306571,"v1.3.1","这是一次小更新，用于修复在运行[基于序列显著性的提示工程 Colab 笔记本](https:\u002F\u002Fcolab.sandbox.google.com\u002Fgithub\u002Fgoogle\u002Fgenerative-ai-docs\u002Fblob\u002Fmain\u002Fsite\u002Fen\u002Fgemma\u002Fdocs\u002Flit_gemma.ipynb)时出现的问题。","2024-12-20T21:57:28",{"id":179,"version":180,"summary_zh":181,"released_at":182},306572,"v1.3","本次发布更新了学习可解释性工具（LIT）在 Google Cloud 上的部署方式。现在，您可以使用 LIT 的提示调试工作流来解释基础模型——包括 [Gemini](https:\u002F\u002Fcloud.google.com\u002Fvertex-ai\u002Fgenerative-ai\u002Fdocs\u002Fmodel-reference\u002Finference)、[Gemma](https:\u002F\u002Fai.google.dev\u002Fgemma)、[Llama](https:\u002F\u002Fwww.llama.com\u002F) 和 [Mistral](https:\u002F\u002Fmistral.ai\u002Ftechnology\u002F#models)——。LIT 现在提供了公共容器镜像，以便更轻松地在您选择的托管平台上部署，并附带了一个更新的[教程](https:\u002F\u002Fcodelabs.developers.google.com\u002Fcodelabs\u002Fresponsible-ai\u002Flit-on-gcp)，介绍如何使用 [Cloud Run](https:\u002F\u002Fcloud.google.com\u002Frun) 部署 LIT。\n\n### 新功能\n* LIT 在 GCP 上 -\n[1075325](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1075325c6a08d8fdef3bcf66f193b8d5aef673fb),\n[1acc868](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1acc868d4a5fa0fd2a135f132f56bb4cb8ba3990),\n[55bfc99](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F55bfc993cc27fd25ae5089d58ae822bfeca296a3),\n[180f68a](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F180f68ad3774f8b276e262c0dcb7307ad87e42a3),\n[64114d5](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F64114d553ffd2c0ffd7bc674fb32a36e564ea0f4),\n[2488aa7](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F2488aa7cf8f8a112607ca0c8b40870efde73ec24),\n[9baac29](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F9baac29b96970ef7fa64f2f36ce2c79ff73707b7),\n[60bdc7c](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F60bdc7cf382bd0c5ead2576c119277230a6080c9),\n[7681476](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F7681476d5056d927905f24333b890501a36df040),\n[4c81182](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F4c81182a7db1fda7f8ba071a9542876f462a13fa),\n[4e5e8e2](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F4e5e8e25c2abb658dc141f0d9c6059dd41e14535),\n[b9a0b82](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fb9a0b8210263da9ee6d741e4e0f0444849e3a141),\n[424adce](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F424adce9cf8c9cbabdf5d89d485cdc5f3fd098ed),\n[1d019c7](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1d019c7a1bf5f135ea42104889167b79c3f795cd),\n[f4436a2](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ff4436a26ed79f481e16e2c53c0551703e7ba8c4f),\n\n### 非破坏性变更、错误修复和增强功能\n* 将 LIT 升级到 MobX v6。 - [c1f5055](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fc1f5055eb7ee8b3671484c863a0967c05fa58338)\n* 修复 Sequence Salience 模块中的索引问题。 - [58b1d2](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F58b1d2b6d0d27c6dca086520cef45bf75466a101)\n* 使用共享模型加载多个模型封装器。 - [ba4d975](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fba4d975a90612b0c41a02b3dcb4dbb548261fdd7)\n* 在提示调试笔记本中添加自定义模型和数据集加载器。 - [338c6b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F338c6b12de98b61287a25650ad2c6ad7f7bb80cd)\n* 将托管演示镜像转换为多阶段构建。 - [4bf1f8](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F4bf1f81666fe546357f00c86a2315d2852346ebe)\n* 在 README 中添加测试说明。 - [f24b841](https:\u002F\u002Fgithub.com\u002FPAI","2024-10-22T20:02:07",{"id":184,"version":185,"summary_zh":186,"released_at":187},306573,"v1.2","本次发布涵盖了对各类已废弃演示的清理工作，同时改进了打包方式，并将 GLUE、Penguin、带有序列显著性的提示调试以及 TyDi 演示的依赖项进行了隔离，以便更轻松地启动。\n\n### 新增内容\n\n* 改进了带有序列显著性的提示调试演示的打包和启动说明，并修复了一些小 bug —\n[08289df](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F08289df0dd9927dee7147e5aad6e8b51bbe74f9e)\n[675ca2d](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F675ca2de21b68dc62e4909c80a2cd57d8ee8b601)\n[15eccb1](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F15eccb1197366c925a5beff310fb5d7d369bde0c)\n[e0e35c3](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fe0e35c3ffcfd9ad5331d4154e7d33d0b1d0daf89)\n[c7970fb](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fc7970fb8c51d2a8bd3647cc7eedd15cca285ac08)\n[cee3b58](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fcee3b58baea2de27633109e6dd5b3e4211fa46ea)\n\n* 清理了已废弃的演示 —\n[b16059f](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fb16059fbd0320d411298009c0226489e1f548a69)\n[f4c0990](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ff4c099082f0e89986aad162cc3cd0ac9bc2214c7)\n[6aa2eb6](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F6aa2eb64eddb8ca154401bfd6a039762bc374d6d)\n[c2fb41b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fc2fb41b4945edb91fac973cf0ddbca48c6257511)\n[dd196e9](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fdd196e941058a1d4246b3df3a3c37595f9791b18)\n[72fd772](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F72fd772fa02c7445f27fb517e667987ea8ab34d7)\n[71d88fb](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F71d88fb86eb88ffb80d665cf7571b21d7ae06bd2)\n[aa49340](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Faa493409c454a2ed269fdedd15353404c14b4936)\n[fc7b0d0](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ffc7b0d0624f6cc8e456ac0a1d75a4149927bef2f)\n[2475b3b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F2475b3bb677c8685ab9a291c490783ae2ccce5b8)\n[a59641c](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fa59641c014b17409e8e5cfdac1cc1e6916d6da15)\n[1ed82d4](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1ed82d4e81ff6a6ff5146b6198e35444960d326b)\n[7d5ef58](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F7d5ef5831427de71416c096a6dbcd46ea064457e)\n[992823b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F992823b027fca8c60edabe837248a508ac04da22)\n[3dad2b0](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F3dad2b061b45cb44b1c3f9b9364660e907662069)\n[0656386](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F0656386188d6e4b6c83dab58fb4e6569ebea217e)\n[27d7a84](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F27d7a841cf6d514e67ebfb2af9f603398499f6e3)\n[8863019](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F886301972ec1e7ed274040b46ec0e0c3f34c8ace)\n[71cbdba](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F71cbdbaee0fee8e96f52cd4df7a269a0873b9259)\n[416d573](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F416d573d79f84b9a6964d36e498b850a249ef452)\n\n* 更新了 Python 依赖项，并为各个演示单独设置了隔离环境 —\n[bcc481e](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fbcc481e44185d04268f5f8bb4ba762ec2cd35907)\n[bb29f43](https:\u002F\u002Fgit","2024-06-26T16:33:42",{"id":189,"version":190,"summary_zh":191,"released_at":192},306574,"v1.1.1","本次发布涵盖了序列显著性方面的多项改进，包括 UI 模块的新功能、对更多大语言模型的支持，以及关于如何将序列显著性模块用于提示工程的详细教程和文档。\n\n### 新增内容\n* 序列显著性 UI 模块的新功能 - [62f18b2](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F62f18b2ff62bf77fa47205cffddf0d072a73c366)、[f0417c9](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ff0417c93da282a4699253f335c2643be5e50567f)、[fe5a705](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ffe5a705bfb013ac782e87351af08bc5b03204e71)、[1ec8626](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1ec8626da0e2a1922fb7812913f2677b232043ef)、[15184a1](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F15184a18da69dacfb657c238ef8f5bac79ed7863)、[84af141](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F84af141c7cf8a6ddb4db6ececec787ac235ddd17)、[27cafd8](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F27cafd85636b3d18f40d15a01ffd5d0857ff0daa)、[3591e61](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F3591e614fb09264ee03ae0c73510f1d0a4b74cdf)、[d108b59](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fd108b596658f456f43e0b19473ab1c70c59cc065)、[309c4f2](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F309c4f283af559ca34570e044d77d5c4a7cce540)、[99821d3](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F99821d3b5505d857f919fe2455830e6c2338fd68)、[c8ee224](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fc8ee224a445f925a9a7d6d7dc4472436190d0174)\n\n* 在深度学习框架（TensorFlow、PyTorch）上支持更多模型（GPT-2、Gemma、Llama2、Mistral），适用于 Keras 和 Hugging Face - [b26256a](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fb26256a7c339c9e0940eb7a806528da23098ed03)、[45887d3](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F45887d35d3880289595613224524157b19481ac0)、[b9941ed](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fb9941ed7aea315022426710ccd32e8e1c7ff6c04)、[5ee7064](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F5ee7064ec23933c41b4233061f9cc65b851fa7bb)、[8ea325b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F8ea325b292b09aecbb074abc877525dcdf4f4cd0)\n\n* 在[我们的官网](https:\u002F\u002Fpair-code.github.io\u002Flit\u002Ftutorials\u002Fsequence-salience\u002F)上发布的使用序列显著性的教程及文档更新 - [962faaa](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F962faaabcf209f9cf024df5cc9684d8d4e4e64d8)、[96eff29](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F96eff29198e69a8a9f2203d88f9027f5596f1614)、[f731e6d](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ff731e6dfdeeb26f959022ed5aeda71e4f1f377d0)、[f4d7cac](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Ff4d7cacda3399d3e474420facd1a75d5b6af4824)、[49e7736](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F49e77369fabd820b3f213f2d846efb5e81dbeafe)\n\n### 非破坏性更改、错误修复与功能增强\n* 修复 Py 类型注解问题 - [d70e3d3](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fd70e3d3c64671dfd5da034d3a47a34aedeef6469)\n* 曲线 UI 模块的改进 - [3d61a09](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F3d61a09b684b3d57fc23b1362091d5293d8e6d19)、[2efe62b](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F2efe62b77dbfdd","2024-04-09T22:49:14",{"id":194,"version":195,"summary_zh":196,"released_at":197},306575,"v1.1","本次发布在 LIT 中提供了对生成式 AI 模型行为进行解释和调试的能力。具体来说，我们新增了序列显著性功能，用于解释前置标记对 GenAI 模型生成的标记所产生的影响。主要变更包括：\n* 在 LIT UI 中新增了一个“LM 显著性”模块，可按需计算生成结果、分词以及序列显著性；\n* 支持以不同粒度计算序列显著性，从最小的标记级别，到更具可解释性的较大跨度，如词、句子、行或段落。\n* 支持开源建模框架，包括 KerasNLP 和 Hugging Face Transformers，用于序列显著性计算。\n\n如果没有各位贡献者的努力，本次发布将无法实现。在此特别感谢 [Ryan Mullins](https:\u002F\u002Fgithub.com\u002FRyanMullins)、[Ian Tenney](https:\u002F\u002Fgithub.com\u002Fiftenney)、[Bin Du](https:\u002F\u002Fgithub.com\u002Fbdu91) 和 [Cibi Arjun](https:\u002F\u002Fgithub.com\u002Fcpka145)。\n\n### 新功能\n* LIT UI 中的 LM 显著性模块 - [ab294bd](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fab294bd3e15675c0e63e5a16ffe4b8cd4941c94f)、[5cffc4d](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F5cffc4d933e611587b00c25861c911d5f734fa22)、[40bb57a](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F40bb57a2531257c38137188090a24e70d47581c8)、[d3980cc](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fd3980cc5414e1f9be895defc4f967bee8a2480fc)、[406fbc7](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F406fbc7690ee72f6f96ecf68f1238822ae8951c2)、[77583e7](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F77583e74236aa443a21ad0779b0ab9c023821b93)、[a758f98](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fa758f98c5153f23955b0190a75dc1258ba57b645)\n* 仅解码器架构的语言模型的序列显著性，支持 GPT-2 和 KerasNLP - [27e6901](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F27e6901164044c0d33658603369a55600da0b202)、[80cf699](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F80cf699f92cd77d58cb2a2a60b9314010b1f336c)、[1df3ba8](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F1df3ba8449e865edb5806c10c8054c246d1e38e3)、[b6ab352](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fb6ab3522b301810cab3c75723f3fe0dabf829577)、[c97a710](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fc97a710416538906ea6b269f90264c0602a15593)\n\n* 序列显著性的提示示例 - [4f19891](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F4f1989180ee570642285682f843242be5bffb9ef)、[000c844](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F000c84486ed61439c98dbfdd92959bdbb6f5119f)、[34aa110](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F34aa110c36fe0c7ec670f06662078d2f572c79c6)、[ca032ff](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fca032ffb3196e71fd0a7a09118635ca6dafc8153)\n\n### 非破坏性变更、错误修复与增强\n* 对各类字段及其默认范围显示的改进 - [8a3f366](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002F8a3f366816833ead164ecfca778b465ef6d074bb)、[e63b674](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fcommit\u002Fe63b67484fc7f4dbfa3484126c355350d2127bf7)、[d274508](https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fco","2024-02-21T07:38:44",{"id":199,"version":200,"summary_zh":201,"released_at":202},306576,"v1.0.2","这是一个小更新，修复了 LIT 在 Colab 中无法渲染的问题。","2023-11-08T16:41:56",{"id":204,"version":205,"summary_zh":206,"released_at":207},306577,"v1.0.1","这是一个重大版本发布，涵盖了自8个多月前v0.5版本以来，`dev`分支中的众多新功能和API变更。本次发布包含多项破坏性变更，旨在简化LIT API的各个方面，并对界面进行了优化以提升易用性。此次发布共包含了250余次提交。主要变更包括：\n\n* 重构了Python代码，移除了所有组件和模型类中的`_with_metadata`方法。\n* 重构了Model和BatchedModel Python类，移除了`predict_minibatch`方法。\n* 重新设计了UI及后端逻辑，支持通过UI动态加载新的数据集和模型。这一改进利用了数据集和模型类的新`init_spec`方法。\n  * 新增了一个空白演示页面，未预加载任何模型或数据集，用户可通过UI动态加载模型和数据集。\n* 重构了指标计算机制，将其从一种解释器类型升级为独立的顶层概念。\n* 更新了前端布局代码，默认采用新布局：左侧新增一个全高侧边栏，与现有的顶部和底部面板相配合，从而提供更灵活的模块布局定制选项。\n* 为多标签模型添加了自动指标计算功能。\n* 为显著性分析方法新增了目标选择下拉菜单。\n* 对显著性聚类模块进行了视觉重设计。\n* 改进了数据表格模块的搜索功能。\n* 通过“显示更多”功能，优化了数据表格模块对长字符串的展示效果。\n* 升级至Python 3.10。\n* 升级至Node.js 18和TypeScript 5.0。\n* 完善了文档页面，现位于https:\u002F\u002Fpair-code.github.io\u002Flit\u002Fdocumentation\u002F。\n\n没有2023年新贡献者的努力，本次发布将无法实现。在此特别感谢[Minsuk Kahng](https:\u002F\u002Fgithub.com\u002Fminsukkahng)、[Nada Hussein](https:\u002F\u002Fgithub.com\u002Fnadah09)、[Oscar Wahltinez](https:\u002F\u002Fgithub.com\u002Fowahltinez)、[Bin Du](https:\u002F\u002Fgithub.com\u002Fbdu91)以及[Cibi Arjun](https:\u002F\u002Fgithub.com\u002Fcpka145)，感谢你们对本项目的大力支持与贡献！该项目的所有贡献者列表可在https:\u002F\u002Fgithub.com\u002FPAIR-code\u002Flit\u002Fgraphs\u002Fcontributors 查阅。","2023-09-22T20:32:27",{"id":209,"version":210,"summary_zh":211,"released_at":212},306578,"v0.5","这是一个重大版本发布，涵盖了自近11个月前v0.4版本以来`dev`分支中的诸多新特性。最引人注目的是，我们进行了更名！产品名称依然是LIT，但如今的“L”代表“Learning”（学习），而非“Language”（语言），以更准确地体现LIT的覆盖范围及其对图像、表格数据等非文本模态的支持。\n\n此外，我们还做了大量改进，包括：\n\n* 新增模块，如显著性聚类、表格型特征归因，以及用于数据探索的新Dive模块（灵感源自我们此前在[Facets Dive](https:\u002F\u002Fpair-code.github.io\u002Ffacets\u002F)上的工作）。\n* 新增输入显著性比较和表格型特征归因的演示与教程。\n* 大量UI优化，提升了各模块之间的一致性，并实现了颜色、数据切片和分面展示等功能的共享。\n* 在大规模数据集（最多10万条样本）上的性能得到提升，同时改进了类型系统，并为模型和数据集新增了验证流程（`--validate`）。\n* 可直接从UI中的表格下载CSV格式的数据；在Notebook模式下，还可通过Python直接访问选定的样本。\n* 更新至Python 3.9和TypeScript 4.7。\n\n如果没有2022年众多新贡献者的努力，此次发布将无法实现。在此特别感谢[Crystal Qian](https:\u002F\u002Fgithub.com\u002Fcjqian)、[Shane Wong](https:\u002F\u002Fgithub.com\u002Fjswong65)、[Anjishnu Mukherjee](https:\u002F\u002Fgithub.com\u002Fiamshnoo)、[Aryan Chaurasia](https:\u002F\u002Fgithub.com\u002Faryan1107)、[Animesh Okhade](https:\u002F\u002Fgithub.com\u002Fanimeshokhade)、[Daniel Levenson](https:\u002F\u002Fgithub.com\u002Fdleve123)、[Danila Sinopalnikov](https:\u002F\u002Fgithub.com\u002Fsinopalnikov)、[Deepak Ramachandran](https:\u002F\u002Fgithub.com\u002FDeepakRamachandran)、[Rebecca Chen](https:\u002F\u002Fgithub.com\u002Frchen152)、[Sebastian Ebert](https:\u002F\u002Fgithub.com\u002Feberts-google)，以及[Yilei Yang](https:\u002F\u002Fgithub.com\u002Fyilei)，感谢你们对本项目的大力支持与贡献！","2022-12-02T03:32:59",{"id":214,"version":215,"summary_zh":216,"released_at":217},306579,"v0.4.1","LIT 0.4.1 版本\r\n\r\n这是一个错误修复版本，旨在提升视觉清晰度和常用工作流的体验。\n\n用户界面经过小幅优化，修复了若干 bug，并新增了一些功能。主要变更包括：\n\n- 为 LIT Notebook 小部件新增“在新标签页中打开”功能\n- 为 LIME 增加对 `SparseMultilabelPreds` 的支持\n- 改进了整个用户界面的颜色一致性\n- 将 PCA 的实现从 SciKit Learn 切换至 NumPy\n- 确保所有内置演示与 Docker 兼容\n- 更新 Dockerfile，以支持运行时的 `DEMO_NAME` 和 `DEMO_PORT` 参数\n- 修复了在启用“隐藏空标签”时，混淆矩阵中与列跨度和行跨度相关的渲染 bug","2021-12-21T14:29:03",{"id":219,"version":220,"summary_zh":221,"released_at":222},306580,"v0.4","LIT 0.4 版本。\n\n用户界面经过小幅优化，修复了若干 bug，并新增了多项功能。主要更新包括：\n- 支持 Google Cloud Vertex AI Notebooks。\n- 在 NLP 模型的基础上，初步支持表格数据和图像数据。\n- 新增 TCAV 全局可解释性方法。\n- 针对文本数据，新增反事实生成器，可通过最小化文本标记的删减或翻转来改变模型预测结果。\n- 针对表格数据，新增反事实生成器，可通过最小化数值变化来改变模型预测结果。\n- 提供表格输入特征的部分依赖图。\n- 支持为数据集的不同子集分别设置二分类阈值。\n- 增加控件，可在满足不同公平性约束（如人口统计学平等或机会均等）的前提下，为各子集寻找最优阈值。","2021-11-09T03:06:04",{"id":224,"version":225,"summary_zh":226,"released_at":227},306581,"v0.3","LIT version 0.3. This version adds notebook (colab, jupyter) support, among other changes.","2021-04-05T19:14:45",{"id":229,"version":230,"summary_zh":231,"released_at":232},306582,"v0.2","LIT version 0.2","2020-11-17T00:53:31",{"id":234,"version":235,"summary_zh":236,"released_at":237},306583,"v0.1.1","First version with a pip package","2020-09-10T15:13:59",{"id":239,"version":240,"summary_zh":241,"released_at":242},306584,"v0.1","Initial release of LIT","2020-08-13T18:26:58"]