[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-USTCLLM--RecFM":3,"tool-USTCLLM--RecFM":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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":77,"stars":79,"forks":80,"last_commit_at":81,"license":82,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":77,"view_count":23,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":90,"updated_at":91,"faqs":92,"releases":93},2215,"USTCLLM\u002FRecFM","RecFM","Comprehensive tools and frameworks for developing foundation models tailored to recommendation systems.","RecFM 是由中国科学技术大学 USTCLLM 团队打造的一站式开源套件，专为构建推荐系统基础模型而设计。它致力于解决推荐算法从数据接入、模型训练到工业部署全链路中的效率瓶颈与适配难题，帮助开发者快速搭建稳健且高效的推荐服务。\n\n这套工具非常适合推荐系统领域的研究人员、算法工程师以及需要落地大规模推荐业务的企业团队使用。RecFM 的核心亮点在于其模块化的生态布局：其中的 RecStudio 支持快速构建算法并提供可视化调试功能；RecStudio4Industry 则针对工业场景优化，兼容 HDFS 等大数据接口，助力多阶段推荐服务的敏捷部署。此外，项目还包含了 CELA 和 GRE 两项创新技术，前者能低成本地将通用文本嵌入模型对齐为推荐友好型编码器，后者则是经过多领域深度训练的通用文本表示模型，显著提升了推荐系统对文本信息的理解能力。配合首个基于 PyTorch 的工业级信息检索开发工具包 Nexus，RecFM 为学术界探索与工业界落地提供了强有力的技术支撑。","# RecFM\n\nComprehensive tools, projects and frameworks for developing foundation models tailored to recommendation systems, developped by the USTCLLM group at USTC, leaded by [Prof. Defu Lian](https:\u002F\u002Ffaculty.ustc.edu.cn\u002Fliandefu).\n\n## Overview\n\nRecFM is a collection of tools and frameworks designed to facilitate the development of robust and efficient recommendation systems. It includes a suite of modular libraries and technologies that cater to various aspects of recommendation system development, from data ingestion to model deployment.\n\n## Projects\n\n1. **RecStudio**: A modular recommendation system algorithm library that enables the rapid construction and efficient training of recommendation system models. It also features a visualization platform for better understanding and debugging of models.\n\n2. **RecStudio4Industry**: The industrial version of RecStudio, designed for high-efficiency model construction and training. It supports data reading from industry-friendly data interfaces such as HDFS and offers quick model deployment and inference capabilities, ideal for building multi-stage recommendation service frameworks.\n\n3. **CELA**: A cost-effective text embedding model alignment technology for recommendation systems. It converts any text embedding model into a text encoding model that is friendly to recommendation models.\n\n4. **GRE**: A universal recommendation text embedding model that has been deeply trained and aligned on multiple public datasets across different recommendation domains. It serves multi-domain recommendation systems for text representation extraction.\n\n5. **Nexus**: Nexus is the first Pytorch-based information retrieval development toolkit aimed at industrial internet applications such as recommendation system and document retrieval.\n\n\n## Usage\n\nFor detailed usage instructions, please refer to the documentation in each subdir.\n\n## Contributing\n\nIf you'd like to contribute to RecFM, please follow the [contribution guidelines](LINK_TO_CONTRIBUTION_GUIDELINES).\n\n## License\n\nApache 2.0\n\n## Contact\n\nFor any questions or inquiries, you can reach out to us at liandefu@ustc.edu.cn.","# RecFM\n\n由中国科学技术大学USTCLLM小组在[连德富教授](https:\u002F\u002Ffaculty.ustc.edu.cn\u002Fliandefu)的带领下开发的、用于构建面向推荐系统的基础模型的综合性工具、项目和框架。\n\n## 概述\n\nRecFM 是一套旨在促进健壮且高效推荐系统开发的工具和框架集合。它包含一系列模块化的库和技术，覆盖从数据摄取到模型部署的推荐系统开发各个环节。\n\n## 项目\n\n1. **RecStudio**：一个模块化的推荐系统算法库，支持快速构建和高效训练推荐模型。同时配备可视化平台，便于更好地理解和调试模型。\n\n2. **RecStudio4Industry**：RecStudio 的工业版，专为高效率的模型构建与训练而设计。它支持从 HDFS 等工业级数据接口读取数据，并提供快速的模型部署与推理能力，非常适合构建多阶段的推荐服务框架。\n\n3. **CELA**：一种面向推荐系统的低成本文本嵌入模型对齐技术。它可以将任意文本嵌入模型转换为适合推荐模型使用的文本编码模型。\n\n4. **GRE**：一个通用的推荐文本嵌入模型，在多个公开数据集上进行了深度训练和对齐，涵盖不同的推荐领域。该模型可用于多领域推荐系统中的文本表示提取。\n\n5. **Nexus**：Nexus 是首个基于 PyTorch 的信息检索开发工具包，面向推荐系统和文档检索等工业互联网应用场景。\n\n## 使用\n\n有关详细的使用说明，请参阅各子目录中的文档。\n\n## 贡献\n\n如果您希望为 RecFM 做出贡献，请遵循[贡献指南](LINK_TO_CONTRIBUTION_GUIDELINES)。\n\n## 许可证\n\nApache 2.0\n\n## 联系方式\n\n如有任何问题或咨询，欢迎通过 liandefu@ustc.edu.cn 与我们联系。","# RecFM 快速上手指南\n\nRecFM 是由中国科学技术大学（USTC）LLM 团队（负责人：连德富教授）开发的一套面向推荐系统的基础模型工具集。它包含从数据接入、模型训练到部署推理的全流程模块化库，旨在帮助开发者高效构建鲁棒的推荐系统。\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 (推荐 Ubuntu 18.04+) 或 macOS\n*   **Python 版本**：Python 3.8 或更高版本\n*   **核心依赖**：\n    *   PyTorch (建议 1.10+，需匹配您的 CUDA 版本)\n    *   Git\n*   **可选依赖**（针对工业版或特定模块）：\n    *   HDFS 客户端（若使用 `RecStudio4Industry` 读取 HDFS 数据）\n    *   NVIDIA GPU（用于加速模型训练与推理）\n\n> **提示**：建议使用 `conda` 创建独立的虚拟环境以避免依赖冲突。\n\n## 安装步骤\n\n由于 RecFM 包含多个子项目（如 RecStudio, CELA, GRE, Nexus 等），请根据您的需求选择对应的子目录进行安装。以下为通用安装流程：\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FUSTC-LLM\u002FRecFM.git\n    cd RecFM\n    ```\n    *(注：如果访问 GitHub 较慢，可尝试配置国内镜像源或使用 gitee 镜像，如有官方提供请优先使用)*\n\n2.  **安装基础依赖**\n    建议先安装 PyTorch（根据您的 CUDA 版本选择，以下以 CPU 版本为例，生产环境请替换为 CUDA 版本命令）：\n    ```bash\n    pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n    ```\n\n3.  **安装具体子项目**\n    进入您需要的子项目目录并安装。例如，安装核心算法库 **RecStudio**：\n    ```bash\n    cd RecStudio\n    pip install -r requirements.txt\n    pip install -e .\n    ```\n\n    若需使用 **CELA** 或 **GRE** 文本嵌入模型：\n    ```bash\n    cd ..\u002FCELA\n    pip install -r requirements.txt\n    pip install -e .\n    \n    # 或者\n    cd ..\u002FGRE\n    pip install -r requirements.txt\n    pip install -e .\n    ```\n\n    若需使用工业级工具 **RecStudio4Industry** 或检索工具包 **Nexus**，请进入对应目录执行相同操作。\n\n## 基本使用\n\n以下以 **RecStudio** 为例，展示如何快速构建并训练一个简单的推荐模型。其他子项目的使用逻辑类似，具体参数请参考各子目录下的详细文档。\n\n### 1. 准备数据\n确保您的数据已转换为 RecFM 支持的格式（通常为 CSV 或 Parquet，包含 user_id, item_id, label 等字段）。\n\n### 2. 编写训练脚本\n创建一个名为 `train_demo.py` 的文件：\n\n```python\nfrom recstudio import Model, Dataset, Trainer\n\n# 1. 加载数据集\ndataset = Dataset.load_from_csv(\n    path=\".\u002Fdata\u002Fsample_data.csv\",\n    user_col=\"user_id\",\n    item_col=\"item_id\",\n    label_col=\"label\"\n)\n\n# 2. 初始化模型 (例如使用 BPR 模型)\nmodel = Model.create(\"BPR\", dataset=dataset)\n\n# 3. 配置训练器\ntrainer = Trainer(\n    model=model,\n    epochs=50,\n    learning_rate=0.001,\n    device=\"cuda\" # 若有 GPU 请设置为 \"cuda\"，否则为 \"cpu\"\n)\n\n# 4. 开始训练\ntrainer.fit(dataset)\n\n# 5. 评估模型\nresults = trainer.evaluate(dataset)\nprint(f\"Evaluation Results: {results}\")\n```\n\n### 3. 运行训练\n在终端执行脚本：\n\n```bash\npython train_demo.py\n```\n\n### 进阶：使用预训练文本嵌入 (GRE\u002FCELA)\n如果您需要利用多模态文本信息增强推荐效果，可以调用 GRE 或 CELA 模块生成物品\u002F用户的文本表示：\n\n```python\nfrom gre import GREModel\n\n# 加载预训练的 GRE 模型\nencoder = GREModel.from_pretrained(\"ustcllm\u002Fgre-base\")\n\n# 编码文本列表\ntexts = [\"running shoes\", \"wireless headphones\"]\nembeddings = encoder.encode(texts)\n\nprint(embeddings.shape) # 输出嵌入向量维度\n```\n\n> **注意**：每个子项目（RecStudio4Industry, Nexus 等）可能有特定的配置文件或启动命令，请务必查阅对应子目录下的 `README.md` 获取工业级部署或检索任务的具体指令。","某电商平台的算法团队正致力于重构其推荐系统，试图引入大模型技术以提升对商品文本信息的理解能力，从而解决长尾商品推荐不准的难题。\n\n### 没有 RecFM 时\n- **开发效率低下**：团队需从零搭建训练框架，手动处理数据接入与模型调试，构建一个基础推荐模型往往耗时数周。\n- **文本语义割裂**：通用的文本嵌入模型无法直接适配推荐任务，导致商品描述中的关键语义特征在推荐排序中丢失。\n- **工业落地困难**：实验室模型难以迁移至生产环境，缺乏对 HDFS 等工业级数据接口的支持，部署流程繁琐且推理延迟高。\n- **多域适配成本高**：面对服饰、数码等不同品类，需分别为每个领域重新训练文本编码器，资源消耗巨大且维护复杂。\n\n### 使用 RecFM 后\n- **快速构建与可视化**：利用 RecStudio 模块化库，团队在几天内即可完成模型搭建，并通过内置可视化平台实时调试模型行为。\n- **语义高效对齐**：通过 CELA 技术，将任意通用文本模型低成本转化为推荐友好的编码器，显著提升了商品文本的特征表达质量。\n- **无缝工业部署**：借助 RecStudio4Industry，系统直接对接 HDFS 数据源，实现了从训练到多阶段服务框架的快速部署与低延迟推理。\n- **跨域通用增强**：引入预训练好的 GRE 模型，无需重复训练即可为多个商品品类提供高质量的文本表示，大幅降低了多域适配成本。\n\nRecFM 通过一站式工具链打通了从算法研发到工业落地的全链路，让大模型在推荐系统中的实际应用变得高效且低成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FUSTCLLM_RecFM_1650e6a9.png","USTCLLM","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FUSTCLLM_08f6ab13.png",null,"https:\u002F\u002Fgithub.com\u002FUSTCLLM",1043,680,"2026-03-08T18:04:35","Apache-2.0",4,"","未说明",{"notes":87,"python":85,"dependencies":88},"README 中未提供具体的运行环境配置（如操作系统、GPU、内存、Python 版本及依赖库）。该项目包含多个子项目（RecStudio, RecStudio4Industry, CELA, GRE, Nexus），其中 Nexus 明确基于 PyTorch 开发，RecStudio4Industry 支持 HDFS 数据读取。详细的使用说明和环境需求需参考各子项目目录下的独立文档。",[],[13],"2026-03-27T02:49:30.150509","2026-04-06T06:52:00.350622",[],[]]