[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-VowpalWabbit--vowpal_wabbit":3,"tool-VowpalWabbit--vowpal_wabbit":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":120,"forks":121,"last_commit_at":122,"license":123,"difficulty_score":32,"env_os":124,"env_gpu":125,"env_ram":126,"env_deps":127,"category_tags":130,"github_topics":131,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":140,"updated_at":141,"faqs":142,"releases":171},4372,"VowpalWabbit\u002Fvowpal_wabbit","vowpal_wabbit","Vowpal Wabbit is a machine learning system which pushes the frontier of machine learning with techniques such as online, hashing, allreduce, reductions, learning2search, active, and interactive learning.  ","Vowpal Wabbit 是一款专注于高性能在线学习的开源机器学习系统，旨在突破传统算法在速度与规模上的限制。它主要解决了海量数据场景下的训练难题：无需将全部数据集加载到内存中，即可实现快速模型更新，特别适合处理流式数据或大规模稀疏特征任务。\n\n这款工具非常适合机器学习工程师、数据科学家及研究人员使用，尤其是那些需要构建实时推荐系统、广告排名模型或探索强化学习（如上下文多臂老虎机算法）的专业人士。与普通批处理工具不同，Vowpal Wabbit 的核心优势在于其独特的“哈希技巧”，能将特征数量控制在固定范围内，从而保证内存占用不随数据量增长而膨胀。此外，它支持灵活的特征交互机制，允许算法直接在特征子集的交叉组合上进行线性计算，避免了显式扩展特征带来的巨大计算开销。凭借对在线学习、主动学习等前沿技术的深度整合，Vowpal Wabbit 成为了追求极致性能与可扩展性项目的理想选择。","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FVowpalWabbit_vowpal_wabbit_readme_6012dc0592a6.png\" height=\"auto\" width=\"100%\" alt=\"Vowpal Wabbit\">\n\n[![Linux build](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvendor_build.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvendor_build.yml)\n[![macOS build](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fbuild_macos.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fbuild_macos.yml)\n[![Windows build](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvcpkg_build.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvcpkg_build.yml)\n\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FVowpalWabbit\u002Fvowpal_wabbit)\n\nThis is the *Vowpal Wabbit* fast online learning code.\n\n## Why Vowpal Wabbit?\nVowpal Wabbit is a machine learning system which pushes the frontier of machine learning with techniques such as online, hashing, allreduce, reductions, learning2search, active, and interactive learning. There is a specific focus on reinforcement learning with several contextual bandit algorithms implemented and the online nature lending to the problem well. Vowpal Wabbit is a destination for implementing and maturing state of the art algorithms with performance in mind.\n\n- **Input Format.** The input format for the learning algorithm is substantially more flexible than might be expected. Examples can have features consisting of free form text, which is interpreted in a bag-of-words way. There can even be multiple sets of free form text in different namespaces.\n- **Speed.** The learning algorithm is fast -- similar to the few other online algorithm implementations out there. There are several optimization algorithms available with the baseline being sparse gradient descent (GD) on a loss function.\n- **Scalability.** This is not the same as fast. Instead, the important characteristic here is that the memory footprint of the program is bounded independent of data. This means the training set is not loaded into main memory before learning starts. In addition, the size of the set of features is bounded independent of the amount of training data using the hashing trick.\n- **Feature Interaction.** Subsets of features can be internally paired so that the algorithm is linear in the cross-product of the subsets. This is useful for ranking problems. The alternative of explicitly expanding the features before feeding them into the learning algorithm can be both computation and space intensive, depending on how it's handled.\n\n[Visit the wiki to learn more.](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki)\n\n## Getting Started\nFor the most up to date instructions for getting started on Windows, MacOS or Linux [please see the wiki](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FGetting-started). This includes:\n\n- [Installing with a package manager](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FGetting-started)\n- [Building](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FBuilding)\n- [Tutorial](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FTutorial)\n\n## Examples and Demos\n- [demo\u002F](demo\u002F) - Command-line demos and experiments organized by VW feature\n- [python\u002Fdocs\u002Fsource\u002Fexamples\u002F](python\u002Fdocs\u002Fsource\u002Fexamples\u002F) - Python Jupyter notebook examples\n- [python\u002Fdocs\u002Fsource\u002Ftutorials\u002F](python\u002Fdocs\u002Fsource\u002Ftutorials\u002F) - Python and CLI tutorials\n","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FVowpalWabbit_vowpal_wabbit_readme_6012dc0592a6.png\" height=\"auto\" width=\"100%\" alt=\"Vowpal Wabbit\">\n\n[![Linux 构建](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvendor_build.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvendor_build.yml)\n[![macOS 构建](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fbuild_macos.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fbuild_macos.yml)\n[![Windows 构建](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvcpkg_build.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Factions\u002Fworkflows\u002Fvcpkg_build.yml)\n\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FVowpalWabbit\u002Fvowpal_wabbit)\n\n这是 *Vowpal Wabbit* 快速在线学习代码。\n\n## 为什么选择 Vowpal Wabbit？\nVowpal Wabbit 是一个机器学习系统，它通过在线学习、哈希技术、allreduce、规约方法、learning2search、主动学习和交互式学习等技术，不断推动机器学习的前沿发展。该系统特别关注强化学习，实现了多种上下文 bandit 算法，并且其在线特性非常适合此类问题。Vowpal Wabbit 是实现和成熟最先进算法的理想平台，同时兼顾性能表现。\n\n- **输入格式。** 该学习算法的输入格式比预期的要灵活得多。示例可以包含由自由文本组成的特征，这些特征以词袋方式被解释。甚至可以在不同的命名空间中包含多组自由文本。\n- **速度。** 该学习算法的速度很快——与市面上为数不多的其他在线算法实现相当。系统提供了多种优化算法，其中默认的是基于损失函数的稀疏梯度下降（GD）。\n- **可扩展性。** 这与“速度快”不同。这里的关键特性是程序的内存占用量与数据规模无关。这意味着在开始训练之前，无需将整个训练集加载到主内存中。此外，通过使用哈希技巧，特征集的大小也与训练数据量无关。\n- **特征交互。** 特征子集可以在内部进行配对，从而使算法的复杂度与这些子集的交叉乘积呈线性关系。这对于排序问题非常有用。相比之下，如果在将特征输入学习算法之前显式地展开它们，则可能会在计算和存储空间上都变得非常昂贵，具体取决于处理方式。\n\n[访问维基以了解更多信息。](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki)\n\n## 入门指南\n有关在 Windows、MacOS 或 Linux 上入门的最新说明，请参阅 [维基页面](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FGetting-started)。其中包括：\n\n- [使用包管理器安装](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FGetting-started)\n- [构建](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FBuilding)\n- [教程](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FTutorial)\n\n## 示例与演示\n- [demo\u002F](demo\u002F) - 按 VW 功能组织的命令行演示和实验\n- [python\u002Fdocs\u002Fsource\u002Fexamples\u002F](python\u002Fdocs\u002Fsource\u002Fexamples\u002F) - Python Jupyter 笔记本示例\n- [python\u002Fdocs\u002Fsource\u002Ftutorials\u002F](python\u002Fdocs\u002Fsource\u002Ftutorials\u002F) - Python 和 CLI 教程","# Vowpal Wabbit 快速上手指南\n\nVowpal Wabbit (VW) 是一个高性能的在线机器学习系统，专注于速度、可扩展性和强化学习（如上下文多臂老虎机算法）。它支持哈希技巧、特征交互和归约算法，能够在内存占用恒定的情况下处理海量数据。\n\n## 环境准备\n\n### 系统要求\nVowpal Wabbit 支持主流操作系统：\n- **Linux** (推荐用于生产环境)\n- **macOS**\n- **Windows** (需通过 vcpkg 或 WSL)\n\n### 前置依赖\n构建源码通常需要以下基础开发工具（包管理器安装方式见下文）：\n- C++ 编译器 (GCC, Clang, 或 MSVC)\n- CMake (版本 3.15+)\n- Boost 库\n- zlib 和 libzip (用于压缩数据支持)\n\n> **注意**：如果您仅需使用命令行工具或 Python 绑定，直接使用包管理器安装即可，无需手动配置编译依赖。\n\n## 安装步骤\n\n请根据您的操作系统选择最便捷的安装方式。\n\n### 方案 A：使用包管理器（推荐）\n\n这是最简单且稳定的安装方式。\n\n**macOS (Homebrew):**\n```bash\nbrew install vowpal-wabbit\n```\n\n**Linux (Ubuntu\u002FDebian):**\n虽然部分源包含旧版本，建议优先使用 Python pip 安装最新二进制包，或参考 Wiki 编译安装。\n```bash\n# 安装 Python 绑定（包含 vw 可执行文件）\npip install vowpalwabbit\n```\n\n**Windows (vcpkg):**\n```powershell\n# 确保已安装 vcpkg\nvcpkg install vowpal-wabbit\n```\n\n### 方案 B：从源码编译 (Linux\u002FmacOS)\n\n如果需要最新特性或自定义构建：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit.git\ncd vowpal_wabbit\nmkdir build && cd build\ncmake .. -DCMAKE_BUILD_TYPE=Release\nmake -j\nsudo make install\n```\n\n### 验证安装\n在终端输入以下命令，若输出版本信息则安装成功：\n```bash\nvw --version\n```\n\n## 基本使用\n\nVowpal Wabbit 的核心是通过命令行进行训练和预测。其输入格式灵活，支持命名空间（namespaces）和自由文本特征。\n\n### 1. 准备数据\nVW 使用特定的文本格式。每一行代表一个样本，格式如下：\n`[标签] [权重] [命名空间]:[特征] [特征值] ...`\n\n创建一个名为 `data.dat` 的测试文件：\n```text\n1 |f age:25 capital-gains:0 education-num:7 hours-per-week:40\n0 |f age:40 capital-gains:5000 education-num:13 hours-per-week:50\n1 |f age:30 capital-gains:2000 education-num:9 hours-per-week:35\n```\n*说明：`1` 或 `0` 是标签，`|f` 定义了一个名为 `f` 的特征命名空间，后面跟随特征名及其数值。*\n\n### 2. 训练模型\n使用稀疏梯度下降（默认算法）训练模型并保存为 `model.vw`：\n\n```bash\nvw -d data.dat -f model.vw --loss_function logistic\n```\n*   `-d`: 输入数据文件\n*   `-f`: 输出模型文件\n*   `--loss_function logistic`: 指定损失函数（二分类常用）\n\n### 3. 进行预测\n使用训练好的模型对新数据进行预测（输出预测值到标准输出）：\n\n```bash\nvw -d data.dat -i model.vw -t -p predictions.txt\n```\n*   `-i`: 加载输入模型\n*   `-t`: 测试模式（只预测，不更新权重）\n*   `-p`: 将预测结果保存到文件\n\n### 4. Python 快速调用\n如果您安装了 `vowpalwabbit` Python 包，可以在代码中直接调用：\n\n```python\nfrom vowpalwabbit import pyvw\n\n# 初始化\nvw = pyvw.vw(loss_function='logistic')\n\n# 训练单条样本\nvw.learn(\"1 |f age:25 capital-gains:0\")\nvw.learn(\"0 |f age:40 capital-gains:5000\")\n\n# 预测\nexample = \" |f age:30 capital-gains:2000\"\nprediction = vw.predict(example)\nprint(f\"Prediction: {prediction}\")\n\n# 结束\nvw.finish()\n```\n\n更多高级功能（如特征交叉 `-q`, 上下文_bandit_ `--cb`, 分布式训练等）请参考官方 Wiki 教程。","某大型电商平台的推荐系统团队需要实时处理亿级用户点击流数据，以动态调整商品排序策略。\n\n### 没有 vowpal_wabbit 时\n- **内存爆炸**：传统离线模型需将全量历史特征加载至内存，面对海量稀疏特征（如用户 ID、商品组合）时常导致服务器 OOM 崩溃。\n- **响应滞后**：模型只能按天或按小时批量训练，无法捕捉用户当下的兴趣变化，导致推荐结果“慢半拍”。\n- **特征工程繁重**：为处理特征交叉（如“用户年龄×商品类别”），需预先显式展开数据，计算耗时且存储成本极高。\n- **资源浪费**：随着数据量增长，必须不断堆砌硬件资源来维持训练速度，扩容成本线性上升。\n\n### 使用 vowpal_wabbit 后\n- **内存恒定**：利用哈希技巧（Hashing Trick），vowpal_wabbit 将特征映射到固定向量空间，无论数据量如何增长，内存占用始终保持稳定。\n- **在线学习**：支持流式数据处理，每收到一条用户点击日志即可即时更新模型权重，秒级响应用户行为变化。\n- **自动交叉**：内置命名空间机制，无需预处理即可在运行时高效计算特征子集的交叉组合，大幅简化流水线。\n- **极致性能**：基于稀疏梯度下降的优化算法，单核即可处理数百万样本\u002F秒，显著降低集群算力需求。\n\nvowpal_wabbit 通过其独特的在线学习与哈希机制，让超大规模实时推荐系统在有限资源下实现了毫秒级的模型迭代与精准决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FVowpalWabbit_vowpal_wabbit_6012dc05.png","VowpalWabbit","Vowpal Wabbit","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FVowpalWabbit_6e5d3ce6.png","",null,"https:\u002F\u002Fvowpalwabbit.org","https:\u002F\u002Fgithub.com\u002FVowpalWabbit",[80,84,88,92,96,100,104,108,112,116],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",58.5,{"name":85,"color":86,"percentage":87},"C#","#178600",15.2,{"name":89,"color":90,"percentage":91},"PLSQL","#dad8d8",10.4,{"name":93,"color":94,"percentage":95},"Python","#3572A5",5.6,{"name":97,"color":98,"percentage":99},"Jupyter Notebook","#DA5B0B",2.6,{"name":101,"color":102,"percentage":103},"CMake","#DA3434",2.1,{"name":105,"color":106,"percentage":107},"Java","#b07219",1.8,{"name":109,"color":110,"percentage":111},"Perl","#0298c3",1,{"name":113,"color":114,"percentage":115},"C","#555555",0.6,{"name":117,"color":118,"percentage":119},"JavaScript","#f1e05a",0.4,8665,1929,"2026-04-04T08:50:50","NOASSERTION","Linux, macOS, Windows","未说明","未说明（内存占用有界，独立于数据量）",{"notes":128,"python":125,"dependencies":129},"该工具专注于快速在线学习，支持稀疏梯度下降等优化算法。其特点是内存占用有界，不随训练数据量增加而无限增长，利用哈希技巧限制特征集大小。具体安装和构建步骤需参考官方 Wiki。",[],[14],[132,133,134,135,136,137,138,139],"c-plus-plus","machine-learning","online-learning","contextual-bandits","reinforcement-learning","active-learning","learning-to-search","cpp","2026-03-27T02:49:30.150509","2026-04-06T20:03:42.750371",[143,148,153,158,162,166],{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},19880,"为什么在并行关闭不同模型时，JNI 层会抛出异常？","这是因为每个 VowpalWabbit 实例都试图使用 stdin（标准输入），在并行关闭时会产生竞争条件。临时解决方案是在启动 VW 时将 `--stdin_off` 作为第一个参数传入，以禁用 stdin 的使用。例如：`vw --stdin_off ...`。开发团队正在修复此问题。","https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fissues\u002F1300",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},19881,"VWRegressor 在使用 'quantile' 损失函数（tau=0.5）和 'squared' 损失函数时，为什么性能差异很大？","经确认，分位数损失函数（quantile loss）本身工作正常。出现性能差异通常是因为两种损失函数对超参数的敏感度不同，需要分别进行调优。Vowpal Wabbit 本身不自动执行超参数搜索，建议使用网格搜索（grid search）或官方提供的超参数优化工具（如 `vw-hyperopt.py` 或 `vw-hypersearch`）来寻找适合特定损失函数的最佳参数组合。","https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fissues\u002F3488",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},19882,"如何在 Java (JNI) 中实现模型的在线更新（保存断点续训）？","在较旧版本的 JNI 绑定（如 8.2.0）中，通过 Java 调用可能无法像命令行那样直接使用 `save_` 伪示例来更新模型文件。该功能在后续版本（如 8.4.1+）中得到了更好的支持。如果遇到模型文件不更新的问题，建议升级到最新的 `vw-jni` 版本。在命令行中，可以使用 `--save_resume` 标志配合 `save_` 输入来实现断点续训。","https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fissues\u002F1305",{"id":159,"question_zh":160,"answer_zh":161,"source_url":152},19883,"Vowpal Wabbit 是否支持自动超参数搜索？","Vowpal Wabbit 核心程序本身不直接执行自动超参数搜索，但项目提供了专门的实用工具脚本用于此目的。推荐使用 `utl\u002Fvw-hyperopt.py` 进行基于贝叶斯优化的搜索，或使用 `utl\u002Fvw-hypersearch` 进行黄金分割搜索。用户也可以自行构建粗略的网格搜索，然后针对有希望的区域进行细化。",{"id":163,"question_zh":164,"answer_zh":165,"source_url":147},19884,"单个 VW 对象可以在多线程中安全操作吗？","不可以。单个 VW 对象内部不是线程安全的，不能在多个线程中同时进行操作。如果需要在多线程环境中共享模型，正确的做法是初始化一个新的 VW 对象并加载现有的模型文件（使用 `-i` 参数），让每个线程操作独立的 VW 对象实例。如果需要保护共享资源，必须在调用底层 C 代码的包装层（如 Java JNI）中添加全局锁。",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},19885,"在 Mac OS 上编译或运行测试失败怎么办？","在 Mac OS（如 10.10）上可能会遇到因编译器版本或 Boost 库版本导致的测试失败或警告。确保安装了兼容版本的 Boost（如 1.58.0）并使用正确的编译器标志。社区反馈表明，更新代码库或应用特定的补丁后，测试通常可以通过。如果遇到具体错误，建议检查完整的编译日志并对比官方支持的 macOS 环境配置。","https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fissues\u002F745",[172,177,182,187,192,197,202,207,212,217,222,227,232,237,242,247,252,257,262,267],{"id":173,"version":174,"summary_zh":175,"released_at":176},117914,"9.11.2","补丁版本，为 NuGet 包添加了嵌入式 README 文件。\n\n### 更改\n- 为 NuGet 包添加面向消费者的 README 文件 (#4908)","2026-03-04T14:41:39",{"id":178,"version":179,"summary_zh":180,"released_at":181},117915,"9.11.1","补丁版本，修复了 C# 绑定中的内存泄漏、FlatBuffer 解析器的使用后释放问题，并改进了系统 RapidJSON 的 CMake 可移植性。\n\n### 9.11.0 以来的修复\n\n- **C# 内存泄漏**：在 `DeleteBuilder` 中释放 `builder_context` (#4901)，在 `DeleteWorkspace` 中释放 `workspace_context`，并在 P\u002FInvoke 调用期间为 IO 适配器添加 `GC.KeepAlive` (#4904)\n- **FlatBuffer 解析器使用后释放**：在错误路径上重置解析器状态，以防止过时的 `_active_multi_ex` 指针在堆地址被重用时导致崩溃 (#4905)\n- **CMake**：处理那些导出包含路径变量但不导出导入目标的系统 RapidJSON 包 (#4902)\n\n### 完整变更日志\n\n请参阅 [9.11.0 发布说明](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fblob\u002Fmaster\u002FCHANGELOG.md#9110)，了解自 9.10.0 以来的完整功能列表。","2026-03-03T02:56:13",{"id":183,"version":184,"summary_zh":185,"released_at":186},117916,"9.10.0","## 一般说明\n稀疏权重更新、VW Slim、搜索功能以及其他错误修复。\n\n\u003Cdetails>\n\u003Csummary>点击此处查看此版本的所有更改\u003C\u002Fsummary>\n\n## 变更内容\n\n### 功能\n\n* feat: 稀疏模型基准测试，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4653 中实现\n* feat: 非自洽的加速优化，由 @mrucker 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4652 中实现\n* feat: Flatbuffer 格式，由 @Sharvani2002 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3989 中实现\n* feat: 向外暴露 fb_parser 的非 io_buf API，由 @lokitoth 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4683 中实现\n* feat: 支持在 read_span_flatbuffer() 中正确清理稀疏示例，由 @lokitoth 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4684 中实现\n\n### 修复\n\n* fix: 当 learn_returns_prediction==false 时调用 learn 方法时，暂存并恢复预测结果，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4632 中实现\n* fix: 更新以反映 coin 的 learn 不会返回预测结果这一事实，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4621 中实现\n* fix!: 提升过程中不包含二进制内容，由 @ataymano 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4611 中实现\n* fix: 跳过单个示例中的换行符，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4636 中实现\n* fix: 稀疏权重迭代器的 end->end 处理，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4647 中实现\n* fix: 修复 Active 归约的模型版本检查，由 @peterychang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4655 中实现\n* fix: Gtest 修复，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4657 中实现\n* fix: 防止 LRU 缓存中特征被破坏，由 @mrucker 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4650 中实现\n* fix: ParseInsitu 与 rlclientlib C# 绑定不兼容，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4668 中实现\n* fix: 修复 #4669，通过处理空的决策分数元素来解决，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4670 中实现\n* fix: 搜索相关错误修复，由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4673 中实现\n* fix: 将 Mac CI 设置为版本 13，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4691 中实现\n* fix: VW Slim 相关修复，由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4674 中实现\n* fix: string-view-lite：在使用 std::basic_string 之前包含 `\u003Cstring>`，由 @StephanTLavavej 实现\n* fix: 从 macOS-11 升级到 macOS-12（弃用），由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4698 中实现\n* fix: 从兼容性测试中移除不稳定测试，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4699 中实现\n\n### 其他变更\n\n* docs: 更新 WASM 文档，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4626 中实现\n* test: [RLOS2023] 为 vw 添加新的端到端测试框架，由 @michiboo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4644 中实现\n* test: 检查权重是否匹配，由 @bassm","2024-08-01T19:02:07",{"id":188,"version":189,"summary_zh":190,"released_at":191},117917,"9.9.0","本次发布包含多项新的规约，其中包括基于图反馈的上下文多臂赌博机，以及一种全新的基于交互的学习规约。此外，Vowpal Wabbit 现在也提供了 WASM 绑定。\n\n## 基于图反馈的上下文多臂赌博机\n\n基于图反馈的上下文多臂赌博机（CB）适用于以下场景：当某些动作被执行时，会揭示其他未执行动作的相关信息；而有些动作则完全不会提供任何信息。如果事先了解这些动作之间的关系，就可以利用这一知识来提高探索和学习的效率。\n\n更多详细信息请参见 [这里](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FCB-with-Graph-Feedback)。\n\n## 基于交互的学习的上下文多臂赌博机\n\n交互式 grounded learning（IGL）适用于用户没有显式奖励函数的情况。它能够自动从用户的反馈中学习个性化的奖励函数，并直接优化用户的潜在满意度。\n\n更多详细信息请参见 [这里](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FInteraction-Grounded-Learning)。\n\n## npm 中的 Vowpal Wabbit 包\n\n由于现在提供了 WASM 绑定，Vowpal Wabbit 可以通过 npm 包在 JavaScript 和 TypeScript 应用程序中使用。更多详情请参见 [这里](https:\u002F\u002Fwww.npmjs.com\u002Fpackage\u002F@vowpalwabbit\u002Fvowpalwabbit)。\n\n\u003Cdetails>\n\u003Csummary>点击此处查看本次发布的所有更改\u003C\u002Fsummary>\n\n## 变更内容\n* 测试：[automl] 改进运行测试及测试变更，由 lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4531 中完成。\n* 修复：修复多行拼写错误，由 swaptr 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4533 中完成。\n* 重构：将 cb_to_cs_adf_mtr 和 cb_to_cs_adf_dr 分离，由 bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4532 中完成。\n* 功能：为 PLT 规约的预测方法添加训练损失计算，由 mwydmuch 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4534 中完成。\n* 重构：[工作区] 将 'all' 拆分为多个结构体，分离配置与运行时变量，由 lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4493 中完成。\n* 修复：[解析器] 修复解析器线程未正确加入可能导致的崩溃问题，由 peterychang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4537 中完成。\n* 杂项：移除 404 链接，由 jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4547 中完成。\n* 功能：引入编译特性标志系统，由 jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4544 中完成。\n* 重构：将 CSV 迁移到特征模块，由 jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4550 中完成。\n* 功能：IGL 规约，由 cheng-tan 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4295 中完成。\n* 重构：迁移到 flatbuffers 特性，由 jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4553 中完成。\n* 功能：在版本信息中打印特征，由 jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4549 中完成。\n* 构建：使 LDA 成为可选功能，通过编译特性实现，由 jack","2023-07-19T14:18:35",{"id":193,"version":194,"summary_zh":195,"released_at":196},117918,"9.8.0","## 一般说明\n基准测试的升级、命名规范的改进以及一些小的错误修复。\n\n\u003Cdetails>\n\u003Csummary>点击此处查看此版本的所有更改\u003C\u002Fsummary>\n\n## 变更内容\n\n### 功能\n\n* feat: 在 LAS SIMD 代码路径中，将未实现的交互切换为标量代码。由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4487 中完成。\n* feat: 支持选项标签。由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4507 中完成。\n* feat: [gd] 持久化 ppw 额外状态。由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4023 中完成。\n* feat: [LAS] 添加 ft 哈希示例，并在动作不变时缓存和重用矩阵行。由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4509 中完成。\n* feat: [LAS] 带 CCB。由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4520 中完成。\n\n### 修复\n\n* fix: 将 explore_eval 移至 epsilon_decay 之上。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4501 中完成。\n* fix: [epsilon_decay] 输出 prob ACTION_PROBS，跳过：449。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4502 中完成。\n* fix: 跳过兼容性测试。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4503 中完成。\n* fix: 修复模型合并时不重新加权输入的问题。由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4508 中完成。\n* fix: [epsdecay] 始终返回冠军预测。由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4518 中完成。\n* fix: cbzo ppw 修复。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4519 中完成。\n* fix: 为 cb_adf 提供多模型状态。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4513 中完成。\n* fix: [automl] 避免 ccb 在 generate_interactions 中引入。由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4524 中完成。\n\n### 其他变更\n\n* refactor: 将 400 多个 valgrind 测试拆分出来。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4482 中完成。\n* build: 在交叉编译为 MacOS universal2 二进制文件时，不要添加 SSE 标志。由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4489 中完成。\n* refactor: 将原始函数指针迁移到 std::function。由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4461 中完成。\n* refactor: [all] 从工作空间中移除 cost_sensitive。由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4490 中完成。\n* refactor: [sd] 将 prog val 配置移动到 sd。由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4491 中完成。\n* chore: 更新子模块。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4492 中完成。\n* ci: [epsilon_decay] 基准测试。由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4494 中完成。\n* refactor: 在开始时注册额外的指标，而不是在结束时。由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4499 中完成。\n* chore: 强制 eigen 子模块路径在子模块 mi… 时输出消息。由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4504 中完成。\n* refactor: 允许 object_pool 中使用任何指针。由 @jackgerrits 在 https:\u002F\u002Fgith","2023-03-14T17:30:13",{"id":198,"version":199,"summary_zh":200,"released_at":201},117919,"9.7.0","## 特征记忆树\n\n特征记忆树（EMT）是一种基于记忆的学习约简方法。EMT 会记住之前的训练样本，并利用这些记忆为未来的预测请求分配标签。更多信息请参阅 [EMT 维基页面](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FEigen-Memory-Trees-(EMT))。\n\n## 鲁棒置信区间估计器\n\nhttps:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4297\n\n## 自动机器学习中的三次交互配置 oracle\n\n我们现在可以在自动机器学习中，在二次交互的基础上搜索三次交互。[自动机器学习](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FAutoml)\n\n## 向量 CPU 指令\n\n用于在大动作空间上下文 bandit 约简中实现更快计算的向量 CPU 指令。[LAS](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FContextual-Bandits-with-Large-Action-Spaces-(LAS))\n\n## 仅预测模型\n\n能够从某些约简中保存仅预测模型（如自动机器学习、epsilon 衰减）。这会将这些约简从约简栈中移除，从而允许较旧版本的 VW 进行预测。\n\n## 强制 SquareCB 的最小概率\n\n[SquareCB] (https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FContextual-Bandit-Exploration-with-SquareCB)\n\n## 支持 PLT 的概率输出\n\n为 PLT 约简添加了概率输出支持，并在版本 9 及以上中进行了修复。\n\n## 在 explore eval 中添加目标率\n\nexplore eval 的目标是使用已记录策略的数据来评估不同的探索算法。[Explore Eval](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FExplore-Eval)\n\n## VW 重构\n\n- 改进了所有约简中的 finish_example 函数\n- 不同格式的解析器被移至各自的库中\n- 修复了库的命名空间问题——所有内容都归入 VW 命名空间下\n\n\u003Cdetails>\n\u003Csummary>点击此处查看本次发布的全部变更\u003C\u002Fsummary>\n\n## 变更内容\n\n### 功能特性\n\n* feat: explore eval 示例目标率，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4277 中实现\n* feat: [gd] 使用 hexfloat 使 invert_hash 可读模型，由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3999 中实现\n* feat: explore eval 目标率，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4285 中实现\n* feat: 在大动作空间中为单次 SVD 添加显式 SIMD 实现，由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4261 中实现\n* feat: 在大动作空间中为单次 SVD 添加 AVX2 实现，由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4281 中实现\n* feat: 处理 LAS SIMD 中的 ignore_linear，并在遇到不支持的交互时抛出错误，由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4282 中实现\n* feat: 将 automl predict_only_model 分离为标准 CB 模型，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4279 中实现\n* feat: 添加与均匀分布混合的实现，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4301 中实现\n* feat: 强制 SquareCB 的最小概率并更新其实现","2023-02-02T19:56:35",{"id":203,"version":204,"summary_zh":205,"released_at":206},117920,"9.6.0","## 大动作空间\n本次引入了大动作空间（LAS）功能。LAS 是一种算法，在上下文 bandit 数据集中存在大量动作时，能够高效地进行探索。其核心思想是剔除相似的动作，仅在数据集中最具多样性的动作上进行探索。更多信息请参阅 [LAS 维基页面](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fwiki\u002FContextual-Bandits-with-Large-Action-Spaces-(LAS))。\n\n## 样式变更\n此版本进一步优化了代码风格，使 VW 的代码格式更加统一。变量和类型名采用 `snake_case` 命名法，常量和宏则使用 `UPPERCASE`，同时引入了 `VW::details` 命名空间来隐藏实现细节。\n\n## 更快的编译速度\n通过 @jackgerrits 对部分头文件的修改，VW 现在的构建速度大幅提升！在某台机器上，编译时间从约 30 秒缩短至 17 秒。\n\n\u003Cdetails>\n\u003Csummary>点击此处查看本版本的所有变更\u003C\u002Fsummary>\n\n## 变更内容\n* 构建：移除 `FORCE_COLORED_OUTPUT`，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4213 中完成。\n* 风格：修复更多样式问题，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4211 中完成。\n* 功能：实现模型增量的序列化与反序列化，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4222 中完成。\n* 杂项：更新 boost_math、fmt、vcpkg 和 zlib，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4223 中完成。\n* 风格：再次进行样式更新，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4224 中完成。\n* 风格：更新常量的样式和命名空间，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4226 中完成。\n* 修复：[LAS] 在 SVD 计算过程中不使用共享特征，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4225 中完成。\n* 修复：[LAS] 确保 VW 的预测结果能够进入探索阶段，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4227 中完成。\n* 修复：VW 不应向 std 命名空间添加任何内容，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4230 中完成。\n* 风格：更新 `label_type_t` 的样式，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4229 中完成。\n* 测试：[epsilon 衰减] 在模拟器中找到最佳变化，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4228 中完成。\n* 重构：减少构建时间，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4232 中完成。\n* 功能：[LAS] 根据奇异值过滤掉比 d 还多的动作，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4234 中完成。\n* 构建：在进行 macOS arm 交叉编译时，不再添加 sse 标志，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4235 中完成。\n* 风格：将标签类型更新为全大写，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4236 中完成。\n* 风格：将预测类型更新为全大写，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWab","2022-11-08T18:53:36",{"id":208,"version":209,"summary_zh":210,"released_at":211},117921,"9.5.0","## 样式变更\n\n本次发布对 VW 中的样式和命名规范进行了一些改进。其中包括将所有变量名和类名统一为 `snake_case` 格式，并将大多数结构体转换为类。这些样式变更将在后续版本中进一步标准化并强制执行。\n\n## [置信序列估计器](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2102.09540.pdf)\n\n在 AutoML 和 Epsilon Decay 等多模型简化场景中，置信序列已成为评估策略时的默认估计器。\n\n\u003Cdetails>\n\u003Csummary>点击此处查看本次发布的全部变更\u003C\u002Fsummary>\n\n## 变更\n\n### 功能\n\n* feat: 将置信序列集成到 automl 和 epsilon_decay 中，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4125 中实现\n* feat: 为 Python 添加实验性功能，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4165 中实现\n* feat: 改进大型动作的多线程处理。由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4158 中实现\n* feat: [epsilon decay] 添加初始 epsilon 选项，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4170 中实现\n* feat: 使用 delta 对象进行模型合并，由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4177 中实现\n* feat: 将 FTRL 添加到 dump_weights_to_json 并兼容 CI，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4193 中实现\n\n### 修复\n\n* fix: 修复模型合并工具的构建问题，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4160 中实现\n* fix: 移除实验性标记并修复模型版本测试，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4162 中实现\n* fix: 修复测试 67 在 Windows 上的失败问题，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4167 中实现\n* fix: 为 loss_option 添加 one_of 选项，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4178 中实现\n* fix: 修复测试 67 的问题，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4194 中实现\n* fix: 为 macOS 上的 LAS 进行一些小的构建修复，由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4202 中实现\n* fix: 修复 LAS 单元测试中的 bug，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4210 中实现\n* fix: 修复 aarch64 测试失败中的 quake_inv_sqrt 函数问题，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4217 中实现\n* fix: 仅移除 ksvm 的 dump_weights，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4195 中实现\n* fix: 将原生运行时依赖项添加到 nuspec 文件中，由 @lokitoth 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4216 中实现\n\n### 其他变更\n\n* chore: [LAS] 代码清理，由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4153 中实现\n* ci: 升级 CI 管道中使用的 Ubuntu 版本，由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4161 中实现\n* ci: 检查当前 VW wheel 是否与最新模型兼容，由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4169 中实现\n* ci: 启用带有 ASan 的测试 67，由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4176 中实现\n* refactor: 使用 github-action-be","2022-10-14T11:04:45",{"id":213,"version":214,"summary_zh":215,"released_at":216},117922,"9.4.0","我们在几周前就打上了 `9.4.0` 标签，但由于一些延迟，其余的发布内容直到现在才完成。这些发行说明及所有相关工件的内容均对应于 9月15日的 `9.4.0` 标签。\n\n## .NET Core\n\n.NET Core 支持现已加入！如果您[手动导入依赖项](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fissues\u002F4214)，它就可以正常工作；不过在即将发布的 `9.4.1` 版本中，这一功能将实现自动支持。\n\n## 原生 CSV 解析器\n\n作为今年 RLOS 节的一部分，@HollowMan6 实现了原生 CSV 解析支持。目前该功能默认处于禁用状态，但可以通过 CMake 选项 (`VW_BUILD_CSV`) 启用。借助此功能，您可以直接下载 CSV 数据集并进行处理，无需额外步骤。@HollowMan6 还创建了一个[教程](\nhttps:\u002F\u002Fvowpalwabbit.org\u002Fdocs\u002Fvowpal_wabbit\u002Fpython\u002Flatest\u002Ftutorials\u002Fcmd_csv_with_iris_dataset.html)，演示如何在著名的鸢尾花数据集上使用此功能。感谢您所付出的辛勤努力！\n\n\n\u003Cdetails>\n\u003Csummary>点击此处查看本次发布的全部变更\u003C\u002Fsummary>\n\n## 变更\n\n### 功能\n\n* 新增：由 @HollowMan6 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4073 中实现的原生 CSV 解析功能\n* 新增：由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4090 中实现的 [LAS] 拓扑排序秩一行列式更新算法\n* 新增：由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4120 中实现的置信序列估计器\n* 新增：由 @lokitoth 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3969 中实现的 .NET Core 支持\n* 新增：由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4134 中实现的语义版本控制\n* 新增：由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4140 中实现的指针队列到通用队列的转换\n* 新增：由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4137 中实现的简单线程池\n* 新增：由 @olgavrou 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4141 中实现的 [LAS] one_pass 实现中使用线程池的功能\n* 新增：由 @byronxu99 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4133 中实现的 .NET C# 绑定性能基准测试\n\n### 修复\n\n* 修复：由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4089 中完成的 [automl] 多项修复\n* 修复：由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4118 中修复的 [las] 单元测试链接失败问题\n* 修复：由 @bassmang 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4119 中修正的 dump_options 拼写错误\n* 修复：由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4122 中实施的 [automl] 在预测前调用 process_example 的问题\n* 修复：由 @lalo 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4123 中解决的 [automl] 在第一条样本上生成挑战者的问题\n* 修复（CSV）：由 @jackgerrits 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4127 中实现的无论是否存在标签列都设置默认标签的功能\n* 修复：由 @zwd-ms 在 https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F4128 中修正的大动作空间基准测试中的少量拼写错误\n* 修复：由 @bassmang 在 https:\u002F\u002Fgithub.co","2022-10-13T16:48:26",{"id":218,"version":219,"summary_zh":220,"released_at":221},117923,"9.3.0","本次发布包含一项用于合并 VW 模型的实验性新功能，以及若干错误修复。\n\n[点击此处查看完整发行说明。](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-9.3.0.html)","2022-08-10T13:59:34",{"id":223,"version":224,"summary_zh":225,"released_at":226},117924,"9.2.0","This release includes a large refactoring of the library structure, support for learn and predict directly from a string in Java, access to model weights in Python, and many more small features and bug fixes.\r\n\r\n[Click here to read the full release notes.](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-9.2.0.html)","2022-07-12T20:47:33",{"id":228,"version":229,"summary_zh":230,"released_at":231},117925,"9.1.0","This release includes a new way to output readable weights, removal of the Boost Program Options dependency, a new loss function and plenty of bug fixes.\r\n\r\n[Click here to read the full release notes.](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-9.1.0.html)","2022-04-06T14:28:10",{"id":233,"version":234,"summary_zh":235,"released_at":236},117926,"9.0.1","This patch releases resolves a build issue when VW is built against fmtlib version 8 or newer as well as a few bugs.\r\n\r\n- [fix: use different syntax for opening namespace for custom formatters ](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fcommit\u002F57e8ff252a8b790d14acdb7867ba25b55f3b6d26)\r\n- [build: use correct platform suffix for Python native shared library](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3678)\r\n- [fix: dftovw address post PR feedback](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3671)\r\n- [ci: run twine check in ci](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3675)\r\n- [fix: Remove content from image directives in README.rst](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3676)\r\n- [build: fixing run_tests.py with custom paths](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3665)\r\n- [fix: add long_description_content_type](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3673)\r\n- [fix: fix compile issues when consuming fmt 8.1.1](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Fpull\u002F3669)","2022-02-01T22:21:46",{"id":238,"version":239,"summary_zh":240,"released_at":241},117927,"9.0.0","Vowpal Wabbit 9 is the first major release in [over 6 years](https:\u002F\u002Fgithub.com\u002FVowpalWabbit\u002Fvowpal_wabbit\u002Freleases\u002Ftag\u002F8.0)! There are a number of usability improvements, new reductions, bug fixes and internal improvements here. The Python package has undergone a bit of a modernization with a more understandable module structure, naming and types. Most changes should be non breaking for standard use cases. See [here for the Python migration guide](https:\u002F\u002Fvowpalwabbit.org\u002Fdocs\u002Fvowpal_wabbit\u002Fpython\u002Flatest\u002Freference\u002Fpython_8110_900_migration_guide.html).\r\n\r\n[Click here to read the full release notes.](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-9.0.0.html)","2022-01-28T20:00:57",{"id":243,"version":244,"summary_zh":245,"released_at":246},117928,"8.11.0","This release includes python API improvements, `--cubic :::` and `--interactions [:]*` speedup, deprecations, logging line limiting, bug fixes and more\r\n\r\n[Click here to read the full release notes.](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-8.11.0.html)","2021-07-14T17:10:52",{"id":248,"version":249,"summary_zh":250,"released_at":251},117929,"8.10.2","This patch release contains a fix for model loading in `--cb_explore`\r\n\r\n### Fixes\r\n- fix: Fix model corruption on reading model for --cb_explore (#3063)","2021-06-11T15:27:10",{"id":253,"version":254,"summary_zh":255,"released_at":256},117930,"8.10.1","This release includes no code changes but fixes the Python source distribution, and adds support for Python 3.9 binary wheels on MacOS and Windows.\r\n\r\nSince this only affects Python, only the PyPi release channel will be updated.\r\n\r\nAll changes:\r\n- ci: run CI on release branches (#2942) \r\n- ci: update brew to mitigate bintray brownout (#2941) \r\n- chore: update version to 8.10.1\r\n- build: add 3.9 to windows python build (#2939)\r\n- Fix python manifest for ext_libs (#2938)\r\n- build: Update build_python_wheels_macos.yml (#2937)\r\n\r\n","2021-04-13T13:08:53",{"id":258,"version":259,"summary_zh":260,"released_at":261},117931,"8.10.0","This release includes quadratic interaction speed improvements, ARM support, logging updates and more.\r\n\r\n[Click here to read the full release notes.](https:\u002F\u002Fvowpalwabbit.org\u002Fblog\u002Fvowpalwabbit-8.10.0.html)\r\n","2021-04-01T15:12:34",{"id":263,"version":264,"summary_zh":265,"released_at":266},117932,"8.9.2","This patch release contains a fix for Neural Network reduction (--nn).\r\n\r\n#### Fixes\r\n\r\n- [nn] fix double free (#2802) ","2021-03-04T18:13:37",{"id":268,"version":269,"summary_zh":270,"released_at":271},117933,"8.9.1","This patch release contains a fix for the Java bindings. It changes no other code paths apart from the version number changing.\r\n\r\n#### Fixes\r\n- Don't export lib symbols from vw_jni binary when static linking (#2789) ","2021-01-27T21:17:28"]