[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-WisdomShell--codeshell":3,"tool-WisdomShell--codeshell":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"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":79,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":45,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":107,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":151},3381,"WisdomShell\u002Fcodeshell","codeshell","A series of code large language models developed by PKU-KCL","CodeShell 是由北京大学知识计算实验室联合四川天府银行 AI 团队研发的多语言代码大模型。它拥有 70 亿参数，经过五千亿 Token 的高效训练，支持长达 8192 的上下文窗口，旨在为开发者提供精准的代码生成、补全、缺陷检测及修复等智能辅助服务，有效解决编程过程中效率低下和重复劳动的问题。\n\n这款工具特别适合软件开发者、技术研究人员以及希望在本机部署 AI 编程助手的极客用户。CodeShell 在权威的 HumanEval 和 MBPP 评测中表现优异，性能超越同规模的 CodeLlama 和 Starcoder，尤其在多种主流编程语言任务上处于领先地位。\n\n其独特亮点在于构建了完整的开源全栈体系：不仅提供了基础版、对话版及低内存消耗的 4bit 量化版本，还配套开发了 VS Code 与 JetBrains IDE 插件。更值得一提的是，CodeShell 支持纯 C++ 本地部署，即便在没有独立显卡、仅需 8G 内存的个人电脑上也能流畅运行，极大地降低了使用门槛，让每位开发者都能轻松拥有专属的智能编程伙伴。","\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWisdomShell_codeshell_readme_f86cb3d87904.png\" width=\"400\"\u002F>\n\u003Cp>\n\n\u003Cp align=\"center\">\n  🤗 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\" target=\"_blank\">Hugging Face\u003C\u002Fa> • 🤖 \u003Ca href=\"https:\u002F\u002Fmodelscope.cn\u002Forganization\u002FWisdomShell\" target=\"_blank\">ModelScope\u003C\u002Fa> • ⭕️ \u003Ca href=\"https:\u002F\u002Fwww.wisemodel.cn\u002Fmodels\u002FWisdomShell\u002FCodeShell-7B\" target=\"_blank\">WiseModel\u003C\u002Fa> • 🌐 \u003Ca href=\"http:\u002F\u002Fse.pku.edu.cn\u002Fkcl\u002F\" target=\"_blank\">PKU-KCL\u003C\u002Fa> \n\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmodelscope\u002Fmodelscope.svg)](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FLicense.pdf)\n\u003Ch4 align=\"center\">\n    \u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FREADME.md\">\u003Cb>中文\u003C\u002Fb>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FREADME_EN.md\">English\u003C\u002Fa>\u003C\u002Fp>\n\u003C\u002Fh4>\n\u003C\u002Fdiv>\n\n## Introduction\n\nCodeShell是[北京大学知识计算实验室](http:\u002F\u002Fse.pku.edu.cn\u002Fkcl\u002F)联合四川天府银行AI团队研发的多语言代码大模型基座。CodeShell具有70亿参数，在五千亿Tokens进行了训练，上下文窗口长度为8192。在权威的代码评估Benchmark（HumanEval与MBPP）上，CodeShell取得同等规模最好的性能。与此同时，我们提供了与CodeShell配套的部署方案与IDE插件，请参考代码库[CodeShell](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell)。同时，为了方便中国用户下载，我们在[Modelscope](https:\u002F\u002Fmodelscope.cn\u002Forganization\u002FWisdomShell)和[Wisemodel](https:\u002F\u002Fwww.wisemodel.cn\u002Fmodels\u002FWisdomShell\u002FCodeShell-7B\u002F)中也上传了对应版本，国内用户可以访问。\n\n\n本次开源的模型如下：\n\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell\" target=\"_blank\">\u003Cb>CodeShell Base\u003C\u002Fb>\u003C\u002Fa>：CodelShell底座模型，具有强大的代码基础能力。\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell-Chat\" target=\"_blank\">\u003Cb>CodeShell Chat\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型，在代码问答、代码补全等下游任务重性能优异。\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell-Chat-int4\" target=\"_blank\">\u003Cb>CodeShell Chat 4bit\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型4bit量化版本，在保证模型性能的前提下内存消耗更小，速度更快。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fllama_cpp_for_codeshell\" target=\"_blank\">\u003Cb>CodeShell CPP\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型CPP版本，支持开发者在没有GPU的个人电脑中使用。注意，CPP版本同样支持量化操作，用户可以在最小内存为8G的个人电脑中运行CodeShell。\n\n\n## Main Characteristics of CodeShell\n\n- **强大的性能**：CodelShell在HumanEval和MBPP上达到了7B代码基座大模型的最优性能\n- **完整的体系**：除了代码大模型，同时开源IDE（VS Code与JetBrains）插件，形成开源的全栈技术体系\n- **轻量化部署**：支持本地C++部署，提供轻量快速的本地化软件开发助手解决方案\n- **全面的评测**：提供支持完整项目上下文、覆盖代码生成、代码缺陷检测与修复、测试用例生成等常见软件开发活动的多任务评测体系（即将开源）\n- **高效的训练**：基于高效的数据治理体系，CodeShell在完全冷启动情况下，只训练了五千亿Token即获得了优异的性能\n\n## Performance\n\n我们选取了目前最流行的两个代码评测数据集（HumanEval与MBPP）对模型进行评估，与目前最先进的两个7b代码大模型CodeLlama与Starcoder相比，Codeshell 取得了最优的成绩。具体评测结果如下。\n\n|   任务   |  CodeShell-7b | CodeLlama-7b | Starcoder-7b |\n| ------- | --------- | --------- | --------- |\n| humaneval\t | **34.32** | 29.44 | 27.80 |\n| mbpp\t\t | **38.65** | 37.60 | 34.16 |\n| multiple-js\t | **33.17** | 31.30 | 27.02 |\n| multiple-java\t | **30.43** | 29.24 | 24.30 |\n| multiple-cpp\t | **28.21** | 27.33 | 23.04 |\n| multiple-swift | 24.30 | **25.32** | 15.70 |\n| multiple-php\t | **30.87** | 25.96 | 22.11 |\n| multiple-d\t | 8.85 | **11.60** | 8.08 |\n| multiple-jl\t | 22.08 | **25.28** | 22.96 |\n| multiple-lua\t | 22.39 | **30.50** | 22.92 |\n| multiple-r\t | **20.52** | 18.57 | 14.29 |\n| multiple-rkt\t | **17.20** | 12.55 | 10.43 |\n| multiple-rs\t | 24.55 | **25.90** | 22.82 |\n\n## Requirements\n\n- python 3.8 and above\n- pytorch 2.0 and above are recommended\n- transformers 4.32 and above\n- CUDA 11.8 and above are recommended (this is for GPU users, flash-attention users, etc.)\n\n## Quickstart\n\nCodeShell系列模型已经上传至 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell\" target=\"_blank\">Hugging Face\u003C\u002Fa>，开发者可以通过Transformers快速调用CodeShell和CodeShell-Chat。\n\n在开始之前，请确保已经正确设置了环境，并安装了必要的代码包，以及满足上一小节的环境要求。你可以通过下列代码快速安装相关依赖。\n\n```\npip install -r requirements.txt\n```\n\n接下来你可以通过Transformers使用CodeShell。\n\n### Code Generation\n\n开发者可以使用CodeShell快速生成代码，加速开发效率。\n\n```python\nimport torch\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\ntokenizer = AutoTokenizer.from_pretrained(\"WisdomShell\u002FCodeShell-7B\")\nmodel = AutoModelForCausalLM.from_pretrained(\"WisdomShell\u002FCodeShell-7B\", trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)\ninputs = tokenizer('def merge_sort():', return_tensors='pt').to(device)\noutputs = model.generate(**inputs)\nprint(tokenizer.decode(outputs[0]))\n```\n\n- Fill in the Moddle\n\nCodeShell 支持Fill-in-the-Middle模式，从而更好的支持软件开发过程。\n\n```python\ninput_text = \"\u003Cfim_prefix>def print_hello_world():\\n    \u003Cfim_suffix>\\n    print('Hello world!')\u003Cfim_middle>\"\ninputs = tokenizer(input_text, return_tensors='pt').to(device)\noutputs = model.generate(**inputs)\nprint(tokenizer.decode(outputs[0]))\n```\n\n- 代码问答\n\nCodeShell同时开源了代码助手模型CodeShell-7B-Chat，开发者可以通过下列代码与模型进行交互。\n\n```python\nmodel = AutoModelForCausalLM.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat', trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat')\n\nhistory = []\nquery = '你是谁?'\nresponse = model.chat(query, history, tokenizer)\nprint(response)\nhistory.append((query, response))\n\nquery = '用Python写一个HTTP server'\nresponse = model.chat(query, history, tokenizer)\nprint(response)\nhistory.append((query, response))\n```\n\n开发者也可以通过VS Code与JetBrains插件与CodeShell-7B-Chat交互，详情请参[VSCode插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-vscode)与[IntelliJ插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-intellij)。\n\n\n- Model Quantization\n\nCodeShell 支持4 bit\u002F8 bit量化，4 bit量化后，占用显存大小约6G，用户可以在显存较小的GPU上使用CodeShell。\n\n```python\nmodel = AutoModelForCausalLM.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat-int4', trust_remote_code=True).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat-int4')\n```\n\n- CodeShell in c\u002Fc++\n\n由于大部分个人电脑没有GPU，CodeShell提供了C\u002FC++版本的推理支持，开发者可以根据本地环境进行编译与使用，详见[CodeShell C\u002FC++本地化版](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fllama_cpp_for_codeshell)。\n\n## Demo\n\n我们提供了Web-UI、命令行、API、IDE四种形式的Demo。\n\n### Web UI\n\n开发者通过下列命令启动Web服务，服务启动后，可以通过`https:\u002F\u002F127.0.0.1:8000`进行访问。\n\n```\npython demos\u002Fweb_demo.py\n```\n\n### CLI Demo\n\n我们也提供了命令行交互的Demo版本，开发者可以通过下列命令运行。\n\n```\npython demos\u002Fcli_demo.py\n```\n\n### API\n\nCodeShell也提供了基于OpenAI API的部署方法。\n\n```\npython demos\u002Fopenai_api.py\n```\n\n启动后即可通过HTTP请求与CodeShell交互。\n\n```\ncurl http:\u002F\u002F127.0.0.1:8000\u002Fv1\u002Fchat\u002Fcompletions \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\n    \"model\": \"CodeShell-7B-Chat\",\n    \"messages\": [\n      {\n        \"role\": \"user\",\n        \"content\": \"你好\"\n      }\n    ]\n  }'\n```\n\n### IDE\n\nCodeShell最后提供了线上IDE，开发者可以通过IDE进行代码补全、代码问答等操作。同时，IDE插件也同时发布，开发者可以自行在本地进行安装使用。插件相关问题欢迎在[VSCode插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-vscode)与[IntelliJ插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-intellij)中讨论。\n\n## Model Details\n\nCode Shell使用GPT-2作为基础架构，采用Grouped-Query Attention、RoPE相对位置编码等技术。\n\n### Hyper-parameter\n\n| Hyper-parameter | Value  |\n|---|---|\n| n_layer | 42 |\n| n_embd | 4096 |\n| n_inner | 16384 |\n| n_head | 32 |\n| num_query_groups | 8 |\n| seq-length | 8192 |\n| vocab_size | 70144 |\n\n\n### Data\n\nCodeShell基于自己爬取的Github数据、Big Code开源的Stack和StarCoder数据集、以及少量高质量的中英文数据进行训练。在原始数据集的基础上，CodeShell采用基于Minihash对数据去重，基于KenLM以及高质量数据筛选模型对数据进行了过滤与筛选，最终得到高质量的预训练数据集。\n\n### Tokenizer\n\nCodeShell基于Starcoder词表进行了优化，去除了使用频率较低的词语，并添加了部分中文词表，显著提升了中文的压缩率，为Chat版本的训练提供了基础。\n\n\n| Tokenizer | Size | Chinese  | English | Code | Total|\n|---|---|---|---|---|---|\n| Starcoder | 49152 | 1.22 | 3.47 | 3.30 | 2.66 |\n| CodeShell | 70020 | 1.50 | 3.47 | 3.30 | 2.95 |\n\n\n## License\n\n社区使用CodeShell模型需要遵循[《CodeShell模型许可协议》](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FLicense.pdf)及[Apache 2.0许可协议](https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)。CodeShell模型允许用于商业用途，但如果您计划将CodeShell模型或其派生产品用于商业用途，需要您确认主体符合以下条件：\n\n1. 关联方的服务或产品的每日平均活跃用户数（DAU）不能超过100万。\n2. 关联方不得是软件服务提供商或云服务提供商。\n3. 关联方不存在将获得授予的商业许可，在未经许可的前提下将其再授权给其他第三方的可能性。\n\n在满足上述条件的前提下，您需要通过向codeshell.opensource@gmail.com发送电子邮件，提交《CodeShell模型许可协议》要求的申请材料。经审核通过后，将授予您一个全球的、非排他的、不可转让的、不可再授权的商业版权许可。\n\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWisdomShell_codeshell_readme_7a62c21f345f.png)](https:\u002F\u002Fstar-history.com\u002F#WisdomShell\u002Fcodeshell&Date)\n\n","\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWisdomShell_codeshell_readme_f86cb3d87904.png\" width=\"400\"\u002F>\n\u003Cp>\n\n\u003Cp align=\"center\">\n  🤗 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\" target=\"_blank\">Hugging Face\u003C\u002Fa> • 🤖 \u003Ca href=\"https:\u002F\u002Fmodelscope.cn\u002Forganization\u002FWisdomShell\" target=\"_blank\">ModelScope\u003C\u002Fa> • ⭕️ \u003Ca href=\"https:\u002F\u002Fwww.wisemodel.cn\u002Fmodels\u002FWisdomShell\u002FCodeShell-7B\" target=\"_blank\">WiseModel\u003C\u002Fa> • 🌐 \u003Ca href=\"http:\u002F\u002Fse.pku.edu.cn\u002Fkcl\u002F\" target=\"_blank\">PKU-KCL\u003C\u002Fa> \n\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmodelscope\u002Fmodelscope.svg)](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FLicense.pdf)\n\u003Ch4 align=\"center\">\n    \u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FREADME.md\">\u003Cb>中文\u003C\u002Fb>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FREADME_EN.md\">English\u003C\u002Fa>\u003C\u002Fp>\n\u003C\u002Fh4>\n\u003C\u002Fdiv>\n\n## 简介\n\nCodeShell是[北京大学知识计算实验室](http:\u002F\u002Fse.pku.edu.cn\u002Fkcl\u002F)联合四川天府银行AI团队研发的多语言代码大模型基座。CodeShell具有70亿参数，在五千亿Tokens进行了训练，上下文窗口长度为8192。在权威的代码评估Benchmark（HumanEval与MBPP）上，CodeShell取得同等规模最好的性能。与此同时，我们提供了与CodeShell配套的部署方案与IDE插件，请参考代码库[CodeShell](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell)。同时，为了方便中国用户下载，我们在[Modelscope](https:\u002F\u002Fmodelscope.cn\u002Forganization\u002FWisdomShell)和[Wisemodel](https:\u002F\u002Fwww.wisemodel.cn\u002Fmodels\u002FWisdomShell\u002FCodeShell-7B\u002F)中也上传了对应版本，国内用户可以访问。\n\n\n本次开源的模型如下：\n\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell\" target=\"_blank\">\u003Cb>CodeShell Base\u003C\u002Fb>\u003C\u002Fa>：CodelShell底座模型，具有强大的代码基础能力。\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell-Chat\" target=\"_blank\">\u003Cb>CodeShell Chat\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型，在代码问答、代码补全等下游任务重性能优异。\n- \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell-Chat-int4\" target=\"_blank\">\u003Cb>CodeShell Chat 4bit\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型4bit量化版本，在保证模型性能的前提下内存消耗更小，速度更快。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fllama_cpp_for_codeshell\" target=\"_blank\">\u003Cb>CodeShell CPP\u003C\u002Fb>\u003C\u002Fa>：CodelShell对话模型CPP版本，支持开发者在没有GPU的个人电脑中使用。注意，CPP版本同样支持量化操作，用户可以在最小内存为8G的个人电脑中运行CodeShell。\n\n\n## CodeShell的主要特点\n\n- **强大的性能**：CodelShell在HumanEval和MBPP上达到了7B代码基座大模型的最优性能\n- **完整的体系**：除了代码大模型，同时开源IDE（VS Code与JetBrains）插件，形成开源的全栈技术体系\n- **轻量化部署**：支持本地C++部署，提供轻量快速的本地化软件开发助手解决方案\n- **全面的评测**：提供支持完整项目上下文、覆盖代码生成、代码缺陷检测与修复、测试用例生成等常见软件开发活动的多任务评测体系（即将开源）\n- **高效的训练**：基于高效的数据治理体系，CodeShell在完全冷启动情况下，只训练了五千亿Token即获得了优异的性能\n\n## 性能\n\n我们选取了目前最流行的两个代码评测数据集（HumanEval与MBPP）对模型进行评估，与目前最先进的两个7b代码大模型CodeLlama与Starcoder相比，Codeshell 取得了最优的成绩。具体评测结果如下。\n\n|   任务   |  CodeShell-7b | CodeLlama-7b | Starcoder-7b |\n| ------- | --------- | --------- | --------- |\n| humaneval\t | **34.32** | 29.44 | 27.80 |\n| mbpp\t\t | **38.65** | 37.60 | 34.16 |\n| multiple-js\t | **33.17** | 31.30 | 27.02 |\n| multiple-java\t | **30.43** | 29.24 | 24.30 |\n| multiple-cpp\t | **28.21** | 27.33 | 23.04 |\n| multiple-swift | 24.30 | **25.32** | 15.70 |\n| multiple-php\t | **30.87** | 25.96 | 22.11 |\n| multiple-d\t | 8.85 | **11.60** | 8.08 |\n| multiple-jl\t | 22.08 | **25.28** | 22.96 |\n| multiple-lua\t | 22.39 | **30.50** | 22.92 |\n| multiple-r\t | **20.52** | 18.57 | 14.29 |\n| multiple-rkt\t | **17.20** | 12.55 | 10.43 |\n| multiple-rs\t | 24.55 | **25.90** | 22.82 |\n\n## 环境要求\n\n- python 3.8及以上\n- 推荐使用pytorch 2.0及以上\n- transformers 4.32及以上\n- 推荐使用CUDA 11.8及以上（适用于GPU用户、flash-attention用户等）\n\n## 快速入门\n\nCodeShell系列模型已经上传至 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FWisdomShell\u002FCodeShell\" target=\"_blank\">Hugging Face\u003C\u002Fa>，开发者可以通过Transformers快速调用CodeShell和CodeShell-Chat。\n\n在开始之前，请确保已经正确设置了环境，并安装了必要的代码包，以及满足上一小节的环境要求。你可以通过下列代码快速安装相关依赖。\n\n```\npip install -r requirements.txt\n```\n\n接下来你可以通过Transformers使用CodeShell。\n\n### 代码生成\n\n开发者可以使用CodeShell快速生成代码，加速开发效率。\n\n```python\nimport torch\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\ntokenizer = AutoTokenizer.from_pretrained(\"WisdomShell\u002FCodeShell-7B\")\nmodel = AutoModelForCausalLM.from_pretrained(\"WisdomShell\u002FCodeShell-7B\", trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)\ninputs = tokenizer('def merge_sort():', return_tensors='pt').to(device)\noutputs = model.generate(**inputs)\nprint(tokenizer.decode(outputs[0]))\n```\n\n- 填空模式\n\nCodeShell 支持Fill-in-the-Middle模式，从而更好的支持软件开发过程。\n\n```python\ninput_text = \"\u003Cfim_prefix>def print_hello_world():\\n    \u003Cfim_suffix>\\n    print('Hello world!')\u003Cfim_middle>\"\ninputs = tokenizer(input_text, return_tensors='pt').to(device)\noutputs = model.generate(**inputs)\nprint(tokenizer.decode(outputs[0]))\n```\n\n- 代码问答\n\nCodeShell同时开源了代码助手模型CodeShell-7B-Chat，开发者可以通过下列代码与模型进行交互。\n\n```python\nmodel = AutoModelForCausalLM.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat', trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat')\n\nhistory = []\nquery = '你是谁?'\nresponse = model.chat(query, history, tokenizer)\nprint(response)\nhistory.append((query, response))\n\nquery = '用Python写一个HTTP server'\nresponse = model.chat(query, history, tokenizer)\nprint(response)\nhistory.append((query, response))\n```\n\n开发者也可以通过VS Code与JetBrains插件与CodeShell-7B-Chat交互，详情请参[VSCode插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-vscode)与[IntelliJ插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-intellij)。\n\n\n- 模型量化\n\nCodeShell 支持4 bit\u002F8 bit量化，4 bit量化后，占用显存大小约6G，用户可以在显存较小的GPU上使用CodeShell。\n\n```python\nmodel = AutoModelForCausalLM.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat-int4', trust_remote_code=True).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat-int4')\n```\n\n- CodeShell在c\u002Fc++中的应用\n\n由于大部分个人电脑没有GPU，CodeShell提供了C\u002FC++版本的推理支持，开发者可以根据本地环境进行编译与使用，详见[CodeShell C\u002FC++本地化版](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fllama_cpp_for_codeshell)。\n\n## 演示\n\n我们提供了Web-UI、命令行、API、IDE四种形式的Demo。\n\n### Web UI\n\n开发者通过下列命令启动Web服务，服务启动后，可以通过`https:\u002F\u002F127.0.0.1:8000`进行访问。\n\n```\npython demos\u002Fweb_demo.py\n```\n\n### CLI Demo\n\n我们也提供了命令行交互的Demo版本，开发者可以通过下列命令运行。\n\n```\npython demos\u002Fcli_demo.py\n```\n\n### API\n\nCodeShell也提供了基于OpenAI API的部署方法。\n\n```\npython demos\u002Fopenai_api.py\n```\n\n启动后即可通过HTTP请求与CodeShell交互。\n\n```\ncurl http:\u002F\u002F127.0.0.1:8000\u002Fv1\u002Fchat\u002Fcompletions \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\n    \"model\": \"CodeShell-7B-Chat\",\n    \"messages\": [\n      {\n        \"role\": \"user\",\n        \"content\": \"你好\"\n      }\n    ]\n  }'\n```\n\n### IDE\n\nCodeShell最后提供了线上IDE，开发者可以通过IDE进行代码补全、代码问答等操作。同时，IDE插件也同时发布，开发者可以自行在本地进行安装使用。插件相关问题欢迎在[VSCode插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-vscode)与[IntelliJ插件仓库](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-intellij)中讨论。\n\n## 模型细节\n\nCode Shell使用GPT-2作为基础架构，采用Grouped-Query Attention、RoPE相对位置编码等技术。\n\n### 超参数\n\n| 超参数 | 值  |\n|---|---|\n| n_layer | 42 |\n| n_embd | 4096 |\n| n_inner | 16384 |\n| n_head | 32 |\n| num_query_groups | 8 |\n| seq-length | 8192 |\n| vocab_size | 70144 |\n\n### 数据\n\nCodeShell基于自己爬取的Github数据、Big Code开源的Stack和StarCoder数据集、以及少量高质量的中英文数据进行训练。在原始数据集的基础上，CodeShell采用基于Minihash对数据去重，基于KenLM以及高质量数据筛选模型对数据进行了过滤与筛选，最终得到高质量的预训练数据集。\n\n### Tokenizer\n\nCodeShell基于Starcoder词表进行了优化，去除了使用频率较低的词语，并添加了部分中文词表，显著提升了中文的压缩率，为Chat版本的训练提供了基础。\n\n\n| 分词器 | 词汇表大小 | 中文 | 英文 | 代码 | 总计|\n|---|---|---|---|---|---|\n| Starcoder | 49152 | 1.22 | 3.47 | 3.30 | 2.66 |\n| CodeShell | 70020 | 1.50 | 3.47 | 3.30 | 2.95 |\n\n\n## 许可协议\n\n社区使用CodeShell模型需要遵循[《CodeShell模型许可协议》](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002FLicense.pdf)及[Apache 2.0许可协议](https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)。CodeShell模型允许用于商业用途，但如果您计划将CodeShell模型或其派生产品用于商业用途，需要您确认主体符合以下条件：\n\n1. 关联方的服务或产品的每日平均活跃用户数（DAU）不能超过100万。\n2. 关联方不得是软件服务提供商或云服务提供商。\n3. 关联方不存在将获得授予的商业许可，在未经许可的前提下将其再授权给其他第三方的可能性。\n\n在满足上述条件的前提下，您需要通过向codeshell.opensource@gmail.com发送电子邮件，提交《CodeShell模型许可协议》要求的申请材料。经审核通过后，将授予您一个全球的、非排他的、不可转让的、不可再授权的商业版权许可。\n\n\n## 星标历史\n\n[![星标历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWisdomShell_codeshell_readme_7a62c21f345f.png)](https:\u002F\u002Fstar-history.com\u002F#WisdomShell\u002Fcodeshell&Date)","# CodeShell 快速上手指南\n\nCodeShell 是由北京大学知识计算实验室联合四川天府银行 AI 团队研发的多语言代码大模型。它拥有 70 亿参数，支持 8192 上下文窗口，在 HumanEval 和 MBPP 等权威评测中表现优异。本指南将帮助您快速在本地部署并使用 CodeShell。\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 \u002F Windows \u002F macOS\n*   **Python**: 3.8 及以上版本\n*   **PyTorch**: 2.0 及以上版本（推荐）\n*   **Transformers**: 4.32 及以上版本\n*   **GPU (可选)**: 若使用 GPU 加速，推荐 CUDA 11.8 及以上版本。\n    *   *注：若无 GPU，可使用后续提到的 C++ 版本或量化版本在普通电脑上运行。*\n\n## 安装步骤\n\n### 1. 安装依赖库\n首先克隆项目或直接通过 pip 安装必要的 Python 包：\n\n```bash\npip install -r requirements.txt\n```\n*(如果项目中未直接提供 requirements.txt，请手动安装核心依赖)*\n```bash\npip install torch transformers accelerate\n```\n\n### 2. 模型获取（国内用户推荐）\n为了方便中国开发者下载，推荐从国内镜像源获取模型权重：\n*   **ModelScope (魔搭)**: [WisdomShell 组织页](https:\u002F\u002Fmodelscope.cn\u002Forganization\u002FWisdomShell)\n*   **WiseModel**: [CodeShell-7B 模型页](https:\u002F\u002Fwww.wisemodel.cn\u002Fmodels\u002FWisdomShell\u002FCodeShell-7B)\n\n如果您使用 Hugging Face `transformers` 库，它会自动处理模型加载（需网络通畅），或者您可以先下载到本地后指定路径加载。\n\n## 基本使用\n\nCodeShell 提供了多种使用模式，以下是基于 Python `transformers` 库的最简调用示例。\n\n### 1. 代码生成 (Code Generation)\n使用基础模型进行代码补全或生成。\n\n```python\nimport torch\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\n# 自动检测设备\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\n\n# 加载模型和分词器 (此处以 HuggingFace ID 为例，本地路径可替换为下载后的文件夹路径)\ntokenizer = AutoTokenizer.from_pretrained(\"WisdomShell\u002FCodeShell-7B\", trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(\n    \"WisdomShell\u002FCodeShell-7B\", \n    trust_remote_code=True, \n    torch_dtype=torch.bfloat16\n).to(device)\n\n# 输入提示词\ninputs = tokenizer('def merge_sort():', return_tensors='pt').to(device)\n\n# 生成代码\noutputs = model.generate(**inputs, max_new_tokens=256)\nprint(tokenizer.decode(outputs[0]))\n```\n\n### 2. 代码问答 (Chat Mode)\n使用对话版模型 (`CodeShell-7B-Chat`) 进行交互式问答。\n\n```python\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\n\n# 加载 Chat 版本模型\nmodel = AutoModelForCausalLM.from_pretrained(\n    'WisdomShell\u002FCodeShell-7B-Chat', \n    trust_remote_code=True, \n    torch_dtype=torch.bfloat16\n).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat', trust_remote_code=True)\n\nhistory = []\nquery = '用 Python 写一个 HTTP server'\n\n# 进行对话\nresponse, history = model.chat(query, history, tokenizer)\nprint(response)\n```\n\n### 3. 低显存部署 (4bit 量化)\n如果您的显卡显存较小（如 6GB-8GB），可以使用 4bit 量化版本，大幅降低内存占用并提升速度。\n\n```python\n# 加载 4bit 量化模型\nmodel = AutoModelForCausalLM.from_pretrained(\n    'WisdomShell\u002FCodeShell-7B-Chat-int4', \n    trust_remote_code=True\n).to(device)\ntokenizer = AutoTokenizer.from_pretrained('WisdomShell\u002FCodeShell-7B-Chat-int4', trust_remote_code=True)\n\n# 后续使用方式与上述 Chat 模式相同\n```\n\n### 4. 无 GPU 环境 (C++ 推理)\n对于没有独立显卡的个人电脑，可以使用 C++ 版本在 CPU 上运行（最低仅需 8G 内存）。请参考官方仓库进行编译和使用：\n[CodeShell C\u002FC++ 本地化版](https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fllama_cpp_for_codeshell)\n\n---\n*更多高级功能（如 Fill-in-the-Middle 模式、IDE 插件安装、Web UI 部署等），请参阅项目完整文档。*","某金融科技公司后端团队正在紧急重构核心交易系统的多语言微服务模块，需在极短时间内完成从旧版 Java 代码到新版架构的迁移，并补充 Python 数据分析脚本与 C++ 高频计算组件。\n\n### 没有 codeshell 时\n- **多语言切换成本高**：开发人员需在 Java、Python 和 C++ 之间频繁切换思维，查阅不同语言的官方文档和语法细节，严重拖慢编码节奏。\n- **遗留代码理解困难**：面对缺乏注释的复杂历史逻辑，人工梳理业务规则耗时费力，极易遗漏边缘情况导致重构失败。\n- **测试覆盖不足**：由于时间紧迫，团队难以手动编写全面的单元测试用例，导致代码缺陷检测滞后，上线风险激增。\n- **本地资源受限**：部分初级开发者仅配备普通笔记本电脑，无法运行大型云端模型辅助编程，只能依赖基础 IDE 提示，效率低下。\n\n### 使用 codeshell 后\n- **多语言无缝生成**：利用 CodeShell 强大的多语言能力，开发者只需输入自然语言需求，即可直接生成高质量的 Java、Python 及 C++ 代码片段，实现思维零摩擦切换。\n- **智能逻辑解析**：通过 CodeShell Chat 模式，将晦涩的旧代码投喂给模型，它能迅速解释业务逻辑并给出优化建议，大幅降低理解门槛。\n- **自动化测试构建**：CodeShell 能根据生成的业务代码自动补全对应的单元测试用例，快速覆盖边界条件，显著提升代码健壮性与交付信心。\n- **轻量级本地部署**：借助 CodeShell CPP 量化版本，即便在 8G 内存的普通笔记本上也能流畅运行，让每位成员都能拥有私有的高性能编程助手。\n\nCodeShell 凭借其在多语言代码生成与理解上的卓越性能，结合轻量化的本地部署方案，将团队的多语言重构效率提升了数倍，确保了项目按时高质量交付。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FWisdomShell_codeshell_f86cb3d8.png","WisdomShell","Knowledge Computing Lab (KCL) @ Peking University","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FWisdomShell_dfd67a6c.png","",null,"wye@pku.edu.cn","se.pku.edu.cn\u002Fkcl","https:\u002F\u002Fgithub.com\u002FWisdomShell",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",96.6,{"name":89,"color":90,"percentage":91},"Shell","#89e051",3.4,1634,119,"2026-04-02T07:25:37","NOASSERTION","Linux, macOS, Windows","GPU 非必需。若使用 GPU 推理，推荐 NVIDIA GPU 且显存 6GB+（4bit 量化版），完整版需更大显存；需 CUDA 11.8+。支持无 GPU 的 CPU 运行（通过 C++ 版本，最低 8GB 内存即可）。","最低 8GB（仅限 C++ 量化版本或低负载场景），推荐 16GB+（用于完整模型加载及训练微调）",{"notes":100,"python":101,"dependencies":102},"1. 提供 4bit 量化版本（CodeShell-Chat-int4），显存占用约 6GB，适合小显存显卡。2. 无 GPU 用户可使用 C++ 版本（llama_cpp_for_codeshell），在最低 8GB 内存的个人电脑上运行。3. 模型上下文窗口长度为 8192。4. 商业用途需满足特定条件（如日活用户不超过 100 万等）并申请许可。5. 支持 Fill-in-the-Middle 模式及多语言代码生成。","3.8+",[103,104,105,106],"torch>=2.0","transformers>=4.32","accelerate","bitsandbytes",[15,36],"2026-03-27T02:49:30.150509","2026-04-06T05:26:22.214013",[111,116,121,126,131,136,141,146],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},15538,"CodeShell 是否支持 Android Studio 插件？","暂时不支持。官方目前主要精力集中在模型优化上，Android Studio 插件暂无支持计划，已安装的插件可能无法正常工作（如侧边窗口无法展示）。","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F69",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},15539,"是否有开发 Xcode 插件的计划以支持 iOS 开发？","Xcode 插件已在开发计划列表中，但目前团队主要精力在于模型优化。Xcode 插件的开发将在后续阶段进行，敬请期待。","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F72",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},15540,"项目缺少 requirements.txt 文件导致依赖安装困难怎么办？","该问题已被修复，官方已补充 requirements.txt 文件。您可以直接从主分支获取：https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fblob\u002Fmain\u002Frequirements.txt","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},15533,"Web Demo 回答完全不符合预期（牛头不对马嘴）怎么办？","这通常是因为加载了错误的模型参数文件。请确认只使用 `.safetensors` 格式的模型参数文件，其他格式可能导致模型行为异常。","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F54",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},15534,"无法访问或下载 Hugging Face 上的模型（速度慢或连接失败）如何解决？","由于网络原因导致无法直接访问 Hugging Face，建议使用镜像网站进行下载。可以使用以下地址搜索并下载 CodeShell 模型：https:\u002F\u002Fhf-mirror.com\u002Fmodels?search=CodeShell","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F18",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},15537,"编译 text-generation-launcher 时报错 unresolved import `nix::sys::signal::Signal` 如何解决？","这是 nix 包版本不匹配导致的。项目代码中依赖的是 `nix = \"0.27.1\"`，而某些环境可能安装了新版。请检查 `launcher\u002FCargo.toml` 文件，确保 nix 版本设置为 0.27.1，或者安装对应版本的 nix 包。","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F73",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},15535,"在 GPU 环境下运行 llama_cpp_for_codeshell 报错 GGML_ASSERT 怎么办？","GPU 环境下 llama.cpp 存在原生 Bug，不推荐直接使用。为了方便拥有 GPU 的开发者，官方新增了基于 text-generation-inference (TGI) 的部署方式。请参考以下文档进行部署：https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell-vscode#%E6%A8%A1%E5%9E%8B%E6%9C%8D%E5%8A%A1nvidia-gpu","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F17",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},15536,"微调时 Loss 一直保持不变（如 11.15625）是什么原因？","目前不支持在 4bit 量化模式下进行微调。如果遇到 Loss 不下降的情况，请移除量化配置，使用 bf16 (bfloat16) 精度进行微调。","https:\u002F\u002Fgithub.com\u002FWisdomShell\u002Fcodeshell\u002Fissues\u002F68",[]]