[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SakanaAI--self-adaptive-llms":3,"tool-SakanaAI--self-adaptive-llms":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":138},3991,"SakanaAI\u002Fself-adaptive-llms","self-adaptive-llms","A Self-adaptation Framework🐙 that adapts LLMs for unseen tasks in real-time!","self-adaptive-llms（又称 Transformer²）是一个创新的自适应框架，旨在让大型语言模型（LLM）能够实时适应从未见过的新任务。传统方法通常依赖计算成本高且静态的微调技术，难以灵活应对多样化的场景，而 self-adaptive-llms 通过动态调整权重矩阵中的特定奇异分量，有效解决了这一痛点。\n\n该工具的核心亮点在于其独特的“两阶段”推理机制：首先由分发系统识别输入提示的任务属性，随后利用强化学习训练出的特定“专家”向量进行动态混合，从而精准生成针对当前任务的响应。这种设计不仅大幅降低了算力消耗，还显著提升了模型在未知任务上的泛化能力与响应速度。\n\nself-adaptive-llms 特别适合 AI 研究人员和开发者使用，尤其是那些致力于探索高效模型适配方案、希望在不重新训练整个模型的情况下提升系统灵活性的团队。项目提供了完整的训练与评估脚本，支持基于提示词和少样本等多种评测模式，方便用户快速复现论文成果或集成到现有工作流中。对于追求实时性与资源效率的前沿应用探索者而言，这是一个极具价值的开源选择。","\u003Ch1 align=\"center\">\n\u003Ch1>Transformer\u003Csup>2\u003C\u002Fsup>: Self-adaptive LLMs 🐙 \u003C\u002Fh1>\n\u003C\u002Fh1>\n\u003Cp align=\"center\">\n  📚 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.06252\">[Paper]\u003C\u002Fa> |\n  📄 \u003Ca href=\"https:\u002F\u002Fsakana.ai\u002Ftransformer-squared\">[Blog]\u003C\u002Fa>\n\u003C\u002Fp>\n\nSelf-adaptive large language models (LLMs) aim to solve the challenges posed by traditional fine-tuning methods, which are often computationally intensive and static in their ability to handle diverse tasks.  \n\nWe are excited to introduce Transformer², a novel self-adaptation framework that adapts LLMs for unseen tasks in real-time by selectively adjusting only the singular components of their weight matrices. \nDuring inference, Transformer² employs a two-pass mechanism: first, a dispatch system identifies the task properties, and then task-specific \"expert\" vectors, trained using reinforcement learning, are dynamically mixed to obtain targeted behavior for the incoming prompt. \n\u003Ch1 align=\"center\">\n  \u003Ca>\n    \u003Cimg width=\"500\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSakanaAI_self-adaptive-llms_readme_0124bafee2b8.gif\">\u003C\u002Fa>\u003Cbr>\n\u003Cbr>    \n\n\n## Installation\n\n### 1. Clone the Repo\n```\ngit clone https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\ncd self-adaptive-llms\n```\n\n### 2. Install Libraries\n```bash\nconda create -n t2 python=3.11 -y\nconda activate t2\npip install --upgrade pip\npip install -r requirements.txt\n```\n\n### 3. Install Tasks Evaluator\n```bash\ncd evaluation\u002Ffishfarm\npip install -e .\n```\n\n## Usage\nWe provide example scripts for both training and evaluation.  \n\nPlease change the argument in the provided script to choose among models and tasks\n\n### Training\n\n```bash\nbash scripts\u002Ftrain_task_expert.sh\n```\n\n### Evaluation\n\n#### Prompt-based evaluation\nClassification experts can be loaded by specifying the CLS_EXPERT_PATH in the script.\n```bash\nbash scripts\u002Feval_prompt_based.sh\n```\n\n#### Few-shots evaluation\n```bash\nbash scripts\u002Feval_few_shot.sh\n```\n\n## Citation\nIf you find **Transformer^2** useful for your research, please cite using this BibTeX:\n```\n@misc{sun2025transformersquaredselfadaptivellms,\n      title={Transformer-Squared: Self-adaptive LLMs}, \n      author={Qi Sun and Edoardo Cetin and Yujin Tang},\n      year={2025},\n      eprint={2501.06252},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.06252}, \n}\n```\n","\u003Ch1 align=\"center\">\n\u003Ch1>Transformer\u003Csup>2\u003C\u002Fsup>：自适应大型语言模型 🐙 \u003C\u002Fh1>\n\u003C\u002Fh1>\n\u003Cp align=\"center\">\n  📚 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.06252\">[论文]\u003C\u002Fa> |\n  📄 \u003Ca href=\"https:\u002F\u002Fsakana.ai\u002Ftransformer-squared\">[博客]\u003C\u002Fa>\n\u003C\u002Fp>\n\n自适应大型语言模型（LLMs）旨在解决传统微调方法所带来的挑战，这些方法通常计算成本高昂，且在处理多样化任务时缺乏灵活性。\n\n我们非常高兴地推出 Transformer²，这是一种全新的自适应框架，它能够通过仅选择性地调整权重矩阵中的特定组件，实时适应未见过的任务。\n\n在推理过程中，Transformer² 采用两步机制：首先，调度系统会识别任务特性；随后，利用强化学习训练得到的任务专用“专家”向量会被动态混合，从而为输入提示生成目标行为。\n\u003Ch1 align=\"center\">\n  \u003Ca>\n    \u003Cimg width=\"500\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSakanaAI_self-adaptive-llms_readme_0124bafee2b8.gif\">\u003C\u002Fa>\u003Cbr>\n\u003Cbr>    \n\n\n## 安装\n\n### 1. 克隆仓库\n```\ngit clone https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\ncd self-adaptive-llms\n```\n\n### 2. 安装依赖库\n```bash\nconda create -n t2 python=3.11 -y\nconda activate t2\npip install --upgrade pip\npip install -r requirements.txt\n```\n\n### 3. 安装任务评估工具\n```bash\ncd evaluation\u002Ffishfarm\npip install -e .\n```\n\n## 使用说明\n我们提供了用于训练和评估的示例脚本。\n\n请根据需求修改脚本中的参数以选择不同的模型和任务。\n\n### 训练\n\n```bash\nbash scripts\u002Ftrain_task_expert.sh\n```\n\n### 演示\n\n#### 基于提示的评估\n可以通过在脚本中指定 CLS_EXPERT_PATH 来加载分类专家。\n```bash\nbash scripts\u002Feval_prompt_based.sh\n```\n\n#### 少样本评估\n```bash\nbash scripts\u002Feval_few_shot.sh\n```\n\n## 引用\n如果您认为 **Transformer^2** 对您的研究有所帮助，请使用以下 BibTeX 格式进行引用：\n```\n@misc{sun2025transformersquaredselfadaptivellms,\n      title={Transformer-Squared: 自适应大型语言模型}, \n      author={Qi Sun 和 Edoardo Cetin 和 Yujin Tang},\n      year={2025},\n      eprint={2501.06252},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.06252}, \n}\n```","# Transformer² (Self-adaptive LLMs) 快速上手指南\n\nTransformer² 是一种创新的自适应性大语言模型框架，旨在解决传统微调方法计算成本高且静态的问题。它通过在推理时动态调整权重矩阵的奇异分量，实时适应未见过的任务。\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 或 macOS (推荐 Linux)\n*   **Python 版本**: 3.11\n*   **依赖管理**: Conda (推荐) 或 venv\n*   **硬件**: 支持 CUDA 的 NVIDIA GPU (用于训练和高效推理)\n\n> **提示**：国内用户建议在安装 Python 包时使用清华或阿里镜像源以加速下载。\n> 例如：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\ncd self-adaptive-llms\n```\n\n### 2. 创建虚拟环境并安装依赖\n使用 Conda 创建名为 `t2` 的 Python 3.11 环境，并安装核心依赖库。\n```bash\nconda create -n t2 python=3.11 -y\nconda activate t2\npip install --upgrade pip\npip install -r requirements.txt\n```\n*(国内加速建议：在最后一步添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n### 3. 安装任务评估工具\n安装项目自带的 `fishfarm` 评估模块。\n```bash\ncd evaluation\u002Ffishfarm\npip install -e .\n```\n*(返回项目根目录可执行 `cd ..\u002F..`)*\n\n## 基本使用\n\n本项目提供了用于训练任务专家（Task Experts）和评估模型性能的示例脚本。请根据您的实际需求修改脚本中的参数（如模型路径、任务类型等）。\n\n### 1. 训练任务专家\n运行以下脚本启动训练流程，系统将利用强化学习训练特定任务的“专家”向量。\n```bash\nbash scripts\u002Ftrain_task_expert.sh\n```\n\n### 2. 模型评估\n\n#### 基于提示词的评估 (Prompt-based)\n适用于分类任务专家。使用前请在脚本中指定 `CLS_EXPERT_PATH` 参数指向训练好的专家模型路径。\n```bash\nbash scripts\u002Feval_prompt_based.sh\n```\n\n#### 少样本评估 (Few-shots)\n运行以下脚本进行少样本学习能力评估。\n```bash\nbash scripts\u002Feval_few_shot.sh\n```\n\n> **注意**：运行前请确保已下载相应的基座模型权重，并根据 `scripts\u002F` 目录下的脚本注释配置正确的模型路径和任务参数。","某跨境电商公司的技术团队需要让客服 AI 实时处理突发的新型诈骗话术识别任务，而这类数据从未出现在模型的训练集中。\n\n### 没有 self-adaptive-llms 时\n- **响应滞后严重**：面对新出现的诈骗模式，团队必须收集数据、重新微调模型并部署，整个周期长达数天，无法即时拦截风险。\n- **算力成本高昂**：每次适配新任务都需要全量更新模型参数，消耗大量 GPU 资源，导致运营成本急剧上升。\n- **模型能力僵化**：静态模型难以兼顾历史知识与新任务特性，往往在学会新规则后出现“灾难性遗忘”，影响原有客服质量。\n- **运维流程繁琐**：开发人员需反复进行离线训练和 A\u002FB 测试，无法在推理阶段根据用户提问动态调整策略。\n\n### 使用 self-adaptive-llms 后\n- **实时自适应**：self-adaptive-llms 通过双路机制在推理瞬间识别任务特征，无需重新训练即可即时适配未知的诈骗识别任务。\n- **高效低耗**：仅选择性调整权重矩阵中的奇异分量，并动态混合强化学习训练的“专家”向量，大幅降低了计算开销。\n- **灵活兼容**：模型能在保持原有通用对话能力的同时，精准切换至特定风控模式，有效避免了知识遗忘问题。\n- **自动化调度**：内置的分发系统自动判断请求属性并调用对应专家策略，实现了从“人工迭代”到“实时自愈”的转变。\n\nself-adaptive-llms 的核心价值在于打破了传统微调的静态局限，让大模型具备了在真实业务流中实时进化以应对未知挑战的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSakanaAI_self-adaptive-llms_b619439b.png","SakanaAI","Sakana AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSakanaAI_76656b64.png","On a quest to create a new kind of foundation model based on nature-inspired intelligence.",null,"info at sakana dot ai","SakanaAILabs","https:\u002F\u002Fsakana.ai\u002F","https:\u002F\u002Fgithub.com\u002FSakanaAI",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",98.8,{"name":90,"color":91,"percentage":92},"Shell","#89e051",1.2,1200,141,"2026-04-04T02:00:02","Apache-2.0","未说明",{"notes":99,"python":100,"dependencies":101},"建议使用 conda 创建名为 't2' 的虚拟环境。项目包含训练和评估脚本，需根据具体任务修改脚本参数。评估模块 'fishfarm' 需要单独进入目录进行本地安装。具体依赖库版本需查看项目中未提供的 'requirements.txt' 文件。","3.11",[102,103],"requirements.txt 中定义的库","fishfarm (本地安装)",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T07:12:42.703441",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},18215,"运行 8B 模型时为什么需要两张 GPU？","当前代码库在运行 8B 模型（如 Llama3 或 Mistral）时确实需要两张 GPU，具体分工如下：\n- cuda:0：托管 vLLM 模型实例，用于快速推理评估。\n- cuda:1：托管 Hugging Face 模型，用于参数更新。\n这种架构将推理和训练任务分离到了不同的设备上。","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F9",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},18216,"是否可以将 LoRA 和 SVF 结合使用？","技术上是可以同时结合 SVF 和 LoRA 使用的。如果基础模型完全缺乏某种语言的知识，可以先合并一个经过 LoRA 微调的双语检查点，然后再应用 SVF 进行细化或专用化。SVF 单独使用适用于基础模型已具备部分目标语言潜在知识的情况。","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F8",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},18217,"如何在 Apple M1\u002FM2\u002FM3 芯片上运行该项目？","vLLM 目前支持 Apple Silicon CPU，但不支持 MPS（执行速度慢）。在 M4 Mac Book Pro 等设备上的操作步骤如下：\n1. 编辑 `requirements.txt`，注释掉 `vllm==0.5.3.post1`。\n2. 创建并激活环境：\n   ```bash\n   conda create -n t2 python=3.11 -y\n   conda activate t2\n   pip install --upgrade pip\n   pip install -r requirements.txt\n   ```\n3. 从源码安装支持 CPU 的 vLLM：\n   ```bash\n   cd ..\n   git clone https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm.git\n   cd vllm\n   pip install -r requirements-cpu.txt\n   pip install -e .\n   cd ..\u002Fself-adaptive-llms\n   ```","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F11",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},18218,"论文伪代码中的 `cem_step` 函数是否存在变量名错误？","是的，这是一个笔误。在 arxiv 论文 2501.06252v2 的 `cem_step` 函数伪代码第 2 行中：\n`samples = np.random.normal(loc=mean, scale=sigma, size=num_samples)`\n应修正为：\n`samples = np.random.normal(loc=mu, scale=sigma, size=num_samples)`\n维护者已确认将在下一次修订中包含此更正。","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F6",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},18219,"配置文件中 `kl_ref_coeff=0` 是否与论文中要求的 KL 损失矛盾？","用户在 `cfgs\u002Foptimization\u002Freinforce.yaml` 中发现 `kl_ref_coeff=0`，而论文中提到需要 KL 损失。虽然该 Issue 被截断，但通常此类配置意味着在该特定实验设置中暂时禁用了 KL 散度正则化，或者通过其他方式控制。若需复现论文结果，建议根据论文公式手动将该系数调整为非零值（如 0.1 或 0.2），或在相关配置文件中去注释\u002F修改该参数以启用 KL 损失计算。","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F5",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},18220,"策略梯度计算是否使用了错误的模型参数？","有用户指出在 `step_optimization` 中可能存在使用基础模型参数而非修改后的 SVF 参数计算策略梯度的问题。正确的行为应该是：使用修改后模型的概率分布 (πθW') 计算策略梯度，仅在启用 KL 散度选项时使用基础模型 (πθW) 作为参考。虽然该 Issue 被标记为疑似 LLM 生成内容而关闭，但在自行实现或调试时，请确保在计算梯度前已将学习到的参数加载到模型中，并在需要参考分布时正确加载原始参数。","https:\u002F\u002Fgithub.com\u002FSakanaAI\u002Fself-adaptive-llms\u002Fissues\u002F17",[]]