[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-YeWR--EfficientZero":3,"tool-YeWR--EfficientZero":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":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":104,"env_deps":105,"category_tags":111,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":149},2025,"YeWR\u002FEfficientZero","EfficientZero","Open-source codebase for EfficientZero, from \"Mastering Atari Games with Limited Data\" at NeurIPS 2021.","EfficientZero 是一个开源的强化学习框架，专为在数据有限的情况下让 AI 玩转 Atari 游戏而设计。它基于 NeurIPS 2021 的研究成果，能在仅使用少量游戏数据的情况下，达到甚至超越传统需要海量数据的模型表现。传统方法通常依赖数百万次游戏交互，而 EfficientZero 通过高效的自我对弈与策略重分析机制，显著提升了样本效率，让 AI 更“聪明地学习”。它特别适合有强化学习背景的研究人员和开发者，尤其是希望在计算资源受限环境下训练高性能智能体的团队。技术亮点包括结合了 MuZero 的规划能力与更高效的值函数估计、支持混合精度训练（torch.amp）加速，以及灵活的分布式架构，可适配不同规模的 GPU\u002FCPU 配置。用户可轻松扩展至其他环境（如 Mujoco），并提供完整的训练与测试脚本，降低上手门槛。如果你正在探索如何用更少数据训练更强的 AI，EfficientZero 是一个值得尝试的实用工具。","# EfficientZero (NeurIPS 2021)\nOpen-source codebase for EfficientZero, from [\"Mastering Atari Games with Limited Data\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.00210) at NeurIPS 2021.\n\n## Environments\nEfficientZero requires python3 (>=3.6) and pytorch (>=1.8.0) with the development headers. \n\nWe recommend to use torch amp (`--amp_type torch_amp`) to accelerate training.\n\n### Prerequisites\nBefore starting training, you need to build the c++\u002Fcython style external packages. (GCC version 7.5+ is required.)\n```\ncd core\u002Fctree\nbash make.sh\n``` \nThe distributed framework of this codebase is built on [ray](https:\u002F\u002Fdocs.ray.io\u002Fen\u002Freleases-1.0.0\u002Fauto_examples\u002Foverview.html).\n\n### Installation\nAs for other packages required for this codebase, please run `pip install -r requirements.txt`.\n\n## Usage\n### Quick start\n* Train: `python main.py --env BreakoutNoFrameskip-v4 --case atari --opr train --amp_type torch_amp --num_gpus 1 --num_cpus 10 --cpu_actor 1 --gpu_actor 1 --force`\n* Test: `python main.py --env BreakoutNoFrameskip-v4 --case atari --opr test --amp_type torch_amp --num_gpus 1 --load_model --model_path model.p \\`\n### Bash file\nWe provide `train.sh` and `test.sh` for training and evaluation.\n* Train: \n  * With 4 GPUs (3090): `bash train.sh`\n* Test: `bash test.sh`\n\n|Required Arguments | Description|\n|:-------------|:-------------|\n| `--env`                             |Name of the environment|\n| `--case {atari}`                    |It's used for switching between different domains(default: atari)|\n| `--opr {train,test}`                |select the operation to be performed|\n| `--amp_type {torch_amp,none}`       |use torch amp for acceleration|\n\n|Other Arguments | Description|\n|:-------------|:-------------|\n| `--force`                           |will rewrite the result directory\n| `--num_gpus 4`                      |how many GPUs are available\n| `--num_cpus 96`                     |how many CPUs are available\n| `--cpu_actor 14`                    |how many cpu workers\n| `--gpu_actor 20`                    |how many gpu workers\n| `--seed 0`                          |the seed\n| `--use_priority`                    |use priority in replay buffer sampling\n| `--use_max_priority`                |use the max priority for the newly collectted data\n| `--amp_type 'torch_amp'`            |use torch amp for acceleration\n| `--info 'EZ-V0'`                    |some tags for you experiments\n| `--p_mcts_num 8`                    |set the parallel number of envs in self-play \n| `--revisit_policy_search_rate 0.99` |set the rate of reanalyzing policies\n| `--use_root_value`                  |use root values in value targets (require more GPU actors)\n| `--render`                          |render in evaluation\n| `--save_video`                      |save videos for evaluation\n \n## Architecture Designs\nThe architecture of the training pipeline is shown as follows:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYeWR_EfficientZero_readme_d9d3dd0dcee6.png)\n\n### Some suggestions\n* To use a smaller model, you can choose smaller dim of the projection layers (Eg: 256\u002F64) and the LSTM hidden layer (Eg: 64) in the config. \n* For GPUs with 10G memory instead of 20G memory, you can allocate 0.25 gpu for each GPU maker (`@ray.remote(num_gpus=0.25)`) in `core\u002Freanalyze_worker.py`.\n\n### New environment registration\nIf you wan to apply EfficientZero to a new environment like `mujoco`. Here are the steps for registration:\n1. Follow the directory `config\u002Fatari` and create dir for the env at `config\u002Fmujoco`.\n2. Implement your `MujocoConfig(BaseConfig)` class and implement the models as well as your environment wrapper.\n3. Register the case at `main.py`.\n\n## Results \nEvaluation with 32 seeds for 3 different runs (different seeds).\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYeWR_EfficientZero_readme_4f86ff7f7f71.png)\n\n## Citation\nIf you find this repo useful, please cite our paper:\n```\n@inproceedings{ye2021mastering,\n  title={Mastering Atari Games with Limited Data},\n  author={Weirui Ye, and Shaohuai Liu, and Thanard Kurutach, and Pieter Abbeel, and Yang Gao},\n  booktitle={NeurIPS},\n  year={2021}\n}\n```\n\n## Contact\nIf you have any question or want to use the code, please contact ywr20@mails.tsinghua.edu.cn .\n\n## Acknowledgement\nWe appreciate the following github repos a lot for their valuable code base implementations:\n\nhttps:\u002F\u002Fgithub.com\u002Fkoulanurag\u002Fmuzero-pytorch\n\nhttps:\u002F\u002Fgithub.com\u002Fwerner-duvaud\u002Fmuzero-general\n\nhttps:\u002F\u002Fgithub.com\u002Fpytorch\u002FELF\n","# EfficientZero（NeurIPS 2021）\nEfficientZero 的开源代码库，源自 NeurIPS 2021 的论文《用有限数据掌握 Atari 游戏》（https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.00210）。\n\n## 环境要求\nEfficientZero 需要 Python 3（>=3.6）和 PyTorch（>=1.8.0），并安装开发头文件。\n\n我们建议使用 PyTorch AMP（`--amp_type torch_amp`）来加速训练。\n\n### 前提条件\n在开始训练之前，您需要构建 C++\u002FCython 样式的外部依赖包。（需 GCC 7.5+ 版本。）\n```\ncd core\u002Fctree\nbash make.sh\n``` \n该代码库的分布式框架基于 [Ray](https:\u002F\u002Fdocs.ray.io\u002Fen\u002Freleases-1.0.0\u002Fauto_examples\u002Foverview.html) 构建。\n\n### 安装\n对于该代码库所需的其他依赖包，请运行 `pip install -r requirements.txt`。\n\n## 使用方法\n### 快速入门\n* 训练：`python main.py --env BreakoutNoFrameskip-v4 --case atari --opr train --amp_type torch_amp --num_gpus 1 --num_cpus 10 --cpu_actor 1 --gpu_actor 1 --force`\n* 测试：`python main.py --env BreakoutNoFrameskip-v4 --case atari --opr test --amp_type torch_amp --num_gpus 1 --load_model --model_path model.p`\n\n### Bash 脚本\n我们提供了 `train.sh` 和 `test.sh` 用于训练和评估。\n* 训练：\n  * 使用 4 张显卡（3090）：`bash train.sh`\n* 测试：`bash test.sh`\n\n|必选参数 | 描述|\n|:-------------|:-------------|\n| `--env`                             |环境名称|\n| `--case {atari}`                    |用于切换不同领域（默认：atari）|\n| `--opr {train,test}`                |选择要执行的操作|\n| `--amp_type {torch_amp,none}`       |使用 PyTorch AMP 加速|\n\n|其他参数 | 描述|\n|:-------------|:-------------|\n| `--force`                           |将重写结果目录\n| `--num_gpus 4`                      |可用的 GPU 数量\n| `--num_cpus 96`                     |可用的 CPU 数量\n| `--cpu_actor 14`                    |CPU 工作进程数\n| `--gpu_actor 20`                    |GPU 工作进程数\n| `--seed 0`                          |随机种子\n| `--use_priority`                    |在回放缓冲区采样中使用优先级\n| `--use_max_priority`                |对新收集的数据使用最大优先级\n| `--amp_type 'torch_amp'`            |使用 PyTorch AMP 加速\n| `--info 'EZ-V0'`                    |为您的实验添加一些标签\n| `--p_mcts_num 8`                    |设置自博弈中环境的并行数量\n| `--revisit_policy_search_rate 0.99` |设置重新分析策略的比率\n| `--use_root_value`                  |在价值目标中使用根值（需要更多 GPU 工作进程）\n| `--render`                          |在评估时渲染画面\n| `--save_video`                      |保存评估视频\n\n## 架构设计\n训练流水线的架构如下所示：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYeWR_EfficientZero_readme_d9d3dd0dcee6.png)\n\n### 一些建议\n* 如果想使用更小的模型，可以在配置中选择较小的投影层维度（例如：256\u002F64）和 LSTM 隐藏层维度（例如：64）。\n* 对于内存为 10G 而非 20G 的显卡，可以在 `core\u002Freanalyze_worker.py` 中为每个 GPU 分配 0.25 的 GPU 资源（`@ray.remote(num_gpus=0.25)`）。\n\n### 新环境注册\n如果您想将 EfficientZero 应用于新的环境，比如 `mujoco`，请按以下步骤进行注册：\n1. 复制 `config\u002Fatari` 目录，并在 `config\u002Fmujoco` 中创建对应环境的目录。\n2. 实现您的 `MujocoConfig(BaseConfig)` 类，并实现模型以及环境包装器。\n3. 在 `main.py` 中注册该案例。\n\n## 结果\n使用 32 个种子进行了 3 次不同运行的评估（不同的种子）。\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYeWR_EfficientZero_readme_4f86ff7f7f71.png)\n\n## 引用\n如果您觉得这个仓库有用，请引用我们的论文：\n```\n@inproceedings{ye2021mastering,\n  title={用有限数据掌握 Atari 游戏},\n  author={叶伟瑞、刘少怀、塔纳德·库鲁塔奇、皮特·阿比尔、高阳},\n  booktitle={NeurIPS},\n  year={2021}\n}\n```\n\n## 联系方式\n如果您有任何问题或希望使用该代码，请联系 ywr20@mails.tsinghua.edu.cn。\n\n## 致谢\n我们非常感谢以下 GitHub 仓库提供的宝贵代码实现：\n\nhttps:\u002F\u002Fgithub.com\u002Fkoulanurag\u002Fmuzero-pytorch\n\nhttps:\u002F\u002Fgithub.com\u002Fwerner-duvaud\u002Fmuzero-general\n\nhttps:\u002F\u002Fgithub.com\u002Fpytorch\u002FELF","# EfficientZero 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Python 3.6+，GCC 7.5+\n- **深度学习框架**：PyTorch 1.8.0+\n- **推荐加速**：使用 `--amp_type torch_amp` 启用 Torch AMP 加速训练\n- **分布式框架**：基于 [Ray](https:\u002F\u002Fdocs.ray.io\u002Fen\u002Freleases-1.0.0\u002Fauto_examples\u002Foverview.html)\n\n## 安装步骤\n\n1. 克隆仓库并进入核心目录：\n   ```bash\n   cd core\u002Fctree\n   bash make.sh\n   ```\n\n2. 安装 Python 依赖（推荐使用清华源加速）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n### 训练模型（以 Breakout 为例）\n```bash\npython main.py --env BreakoutNoFrameskip-v4 --case atari --opr train --amp_type torch_amp --num_gpus 1 --num_cpus 10 --cpu_actor 1 --gpu_actor 1 --force\n```\n\n### 测试模型\n```bash\npython main.py --env BreakoutNoFrameskip-v4 --case atari --opr test --amp_type torch_amp --num_gpus 1 --load_model --model_path model.p\n```\n\n### 使用预置脚本（推荐）\n- 训练（4×3090 GPU）：\n  ```bash\n  bash train.sh\n  ```\n- 测试：\n  ```bash\n  bash test.sh\n  ```","一家小型AI研究团队正在开发一款能在Atari游戏《Breakout》中实现高分的强化学习代理，但受限于计算资源和数据效率，团队只有2台配备RTX 3090的服务器和5名成员，无法像大公司那样用数万帧数据训练。\n\n### 没有 EfficientZero 时\n- 训练一个能稳定通关的代理需要超过100万帧游戏数据，耗时近两周，远超项目周期。\n- 传统DQN方法在低数据场景下表现极差，代理经常在游戏开始几秒内就失败，无法学习有效策略。\n- 每次调整网络结构或超参后，必须从头重新训练，GPU资源被大量浪费在重复实验上。\n- 团队尝试过PPO和Rainbow，但都需要大量并行环境和GPU显存，现有硬件无法支撑。\n- 没有可视化和复现机制，不同成员的实验结果难以对比，协作效率低下。\n\n### 使用 EfficientZero 后\n- 仅用约10万帧数据（不到原来的1\u002F10），代理在3天内就能达到人类专家水平，显著提升数据效率。\n- 通过自博弈与策略重分析机制，代理能从少量经验中反复提炼价值，即使在低帧率下也能持续进步。\n- 支持多GPU并行训练（4卡配置），配合torch.amp加速，训练速度提升近3倍，实验迭代周期缩短至12小时。\n- 提供完整的训练\u002F测试脚本和模型保存机制，团队成员可轻松复现彼此结果，协作效率大幅提升。\n- 配置灵活，可轻松调整投影层维度和GPU显存分配，适配团队有限的硬件资源，无需更换设备。\n\nEfficientZero 让一支资源有限的小团队，用不到大厂十分之一的算力，实现了媲美顶尖实验室的Atari游戏性能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYeWR_EfficientZero_d9d3dd0d.png","YeWR","Weirui Ye","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FYeWR_69f7ae73.jpg",null,"https:\u002F\u002Fgithub.com\u002FYeWR",[81,85,89,93],{"name":82,"color":83,"percentage":84},"Python","#3572A5",86.5,{"name":86,"color":87,"percentage":88},"C++","#f34b7d",10,{"name":90,"color":91,"percentage":92},"Cython","#fedf5b",3.2,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.3,927,143,"2026-04-03T10:12:30","GPL-3.0",4,"Linux","需要 NVIDIA GPU，显存建议 20GB（如 3090），若显存为 10GB 可配置每个 GPU 任务使用 0.25 显卡资源，CUDA 版本未明确说明但需支持 PyTorch 1.8.0+","未说明",{"notes":106,"python":107,"dependencies":108},"首次运行前需编译 C++\u002FCython 外部模块（需 GCC 7.5+），推荐使用 torch amp 加速训练；支持自定义环境注册，需按文档修改配置文件和模型封装；分布式训练依赖 Ray 框架。","3.6+",[109,110],"torch>=1.8.0","ray",[15,13,54],"2026-03-27T02:49:30.150509","2026-04-06T05:17:30.385270",[115,120,125,130,135,140,144],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},9196,"构建项目时出现 'nullptr' 和 '>>' 编译错误，如何解决？","请将 GCC 版本升级到 7.5 以上，该问题通常由旧版本 GCC 不支持 C++11 特性（如 nullptr 和嵌套模板中的 >>）导致。升级后重新运行 make.sh 即可解决。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F8",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},9197,"为什么在 reanalyze_worker 中要分别计算策略目标和价值目标？","因为策略目标需要状态 s_t 的策略分布，而价值目标需要状态 s_{t+k} 的值（通过自举公式 v_t = r_t + γr_{t+1} + ... + γ^k v_{t+k} 计算），两者依赖的 MCTS 搜索根节点不同，无法共享一次搜索结果。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F38",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},9198,"EfficientZero 是否支持 ProcGen 环境？","可以支持，虽然官方未提供 ProcGen 实现，但已有研究（如 arXiv:2111.01587）成功修改环境适配。你需要自行修改环境接口以兼容 ProcGen 的观测和动作空间。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F25",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},9199,"代码中的 value scaling 函数与论文不一致，是否影响训练？","代码中使用的 h(x) = sgn(x)(√(|x|+1) - 1 + εx) 是 MuZero 预印本的错误版本，正确公式应为 h(x) = sgn(x)(√(|x|+1) - 1) + εx。虽然当前实现误差较小（ε=0.001 时影响有限），但官方已确认需修复，建议按论文公式修正 scalar_transform 和 inverse_scalar_transform 函数。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F13",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},9200,"mcts.py 中 reward_hidden_c 和 reward_hidden_h 是什么含义？","c 和 h 分别是 LSTM 的 cell state 和 hidden state。代码中将 LSTM 输出的元组拆分为两个数组（c_pool 和 h_pool）以便于索引和存储，用于预测价值前缀（value prefix）。具体实现参考 PyTorch 的 nn.LSTM 文档。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":119},9201,"如何解决 NumPy API 过时警告？","在代码中添加 #define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION 可禁用该警告。该警告不影响运行，但为避免潜在兼容性问题，建议在包含 NumPy 头文件前定义此宏。",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},9202,"训练 EfficientZero 时 GPU 利用率低，如何优化多卡训练配置？","确保 --num_gpus、--gpu_actor 和 --cpu_actor 参数合理分配。例如，4 张 V100 可设置 --num_gpus 4 --gpu_actor 28 --cpu_actor 12，并启用 --amp_type torch_amp 以利用混合精度加速。同时检查 CUDA 和 cuDNN 版本是否匹配驱动版本（如 CUDA 11.4）。","https:\u002F\u002Fgithub.com\u002FYeWR\u002FEfficientZero\u002Fissues\u002F10",[]]