[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-apple--axlearn":3,"tool-apple--axlearn":61},[4,18,26,36,44,53],{"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",156804,2,"2026-04-15T11:34:33",[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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":101,"env_deps":103,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":145},7768,"apple\u002Faxlearn","axlearn","An Extensible Deep Learning Library","axlearn 是由苹果开源的一款可扩展深度学习库，基于 JAX 和 XLA 构建，旨在支持超大规模深度学习模型的开发与训练。它主要解决了在构建、迭代和维护巨型模型时面临的软件工程挑战，让用户能够像搭积木一样，通过可复用的模块灵活组合模型，并轻松集成 Flax 或 Hugging Face transformers 等主流生态工具。\n\n这款工具特别适合需要处理海量参数的 AI 研究人员和资深开发者。无论是自然语言处理、计算机视觉还是语音识别领域，axlearn 都能提供强大的支持。其核心亮点在于卓越的扩展性：依托 GSPMD 技术，它采用“全局计算”范式，允许用户在虚拟的全局计算机上描述计算逻辑，而非针对单个加速器进行繁琐配置。这使得 axlearn 能够在数千个加速器上高效训练拥有数千亿参数的模型，并原生支持公有云环境的任务部署与数据管理。如果你正致力于探索前沿的大模型架构，或需要在大规模集群上进行高性能实验，axlearn 将是一个值得尝试的专业选择。","# The AXLearn Library for Deep Learning\n\n[![build-and-test](https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg?branch=main)](https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Factions\u002Fworkflows\u002Fbuild.yml)\n\n**This library is under active development and the API is subject to change.**\n\n## Table of Contents\n\n| Section | Description |\n| - | - |\n| [Introduction](#introduction) | What is AXLearn? |\n| [Getting Started](docs\u002F01-start.md) | Getting up and running with AXLearn. |\n| [Concepts](docs\u002F02-concepts.md) | Core concepts and design principles. |\n| [CLI User Guide](docs\u002F03-cli.md) | How to use the CLI. |\n| [Infrastructure](docs\u002F04-infrastructure.md) | Core infrastructure components. |\n\n## Introduction\n\nAXLearn is a library built on top of [JAX](https:\u002F\u002Fjax.readthedocs.io\u002F) and\n[XLA](https:\u002F\u002Fwww.tensorflow.org\u002Fxla) to support the development of large-scale deep learning models.\n\nAXLearn takes an object-oriented approach to the software engineering challenges that arise from\nbuilding, iterating, and maintaining models.\nThe configuration system of the library lets users compose models from reusable building blocks and\nintegrate with other libraries such as [Flax](https:\u002F\u002Fflax.readthedocs.io\u002F) and\n[Hugging Face transformers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers).\n\nAXLearn is built to scale.\nIt supports the training of models with up to hundreds of billions of parameters across thousands of\naccelerators at high utilization.\nIt is also designed to run on public clouds and provides tools to deploy and manage jobs and data.\nBuilt on top of [GSPMD](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.04663), AXLearn adopts a global computation\nparadigm to allow users to describe computation on a virtual global computer rather than on a\nper-accelerator basis.\n\nAXLearn supports a wide range of applications, including natural language processing, computer\nvision, and speech recognition and contains baseline configurations for training state-of-the-art\nmodels.\n\nPlease see [Concepts](docs\u002F02-concepts.md) for more details on the core components and design of AXLearn, or [Getting Started](docs\u002F01-start.md) if you want to get your hands dirty.\n","# 用于深度学习的 AXLearn 库\n\n[![构建与测试](https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg?branch=main)](https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Factions\u002Fworkflows\u002Fbuild.yml)\n\n**本库目前处于积极开发中，API 可能会发生变化。**\n\n## 目录\n\n| 章节 | 描述 |\n| - | - |\n| [简介](#introduction) | 什么是 AXLearn？ |\n| [快速入门](docs\u002F01-start.md) | 快速上手 AXLearn。 |\n| [概念](docs\u002F02-concepts.md) | 核心概念和设计原则。 |\n| [CLI 用户指南](docs\u002F03-cli.md) | 如何使用 CLI。 |\n| [基础设施](docs\u002F04-infrastructure.md) | 核心基础设施组件。 |\n\n## 简介\n\nAXLearn 是一个基于 [JAX](https:\u002F\u002Fjax.readthedocs.io\u002F) 和 [XLA](https:\u002F\u002Fwww.tensorflow.org\u002Fxla) 构建的库，旨在支持大规模深度学习模型的开发。\n\nAXLearn 采用面向对象的方法来应对在构建、迭代和维护模型过程中遇到的软件工程挑战。\n该库的配置系统允许用户从可重用的模块中组合模型，并与其他库（如 [Flax](https:\u002F\u002Fflax.readthedocs.io\u002F) 和 [Hugging Face Transformers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers)）无缝集成。\n\nAXLearn 具备良好的可扩展性。\n它支持在数千个加速器上以高利用率训练参数规模高达数百亿的模型。\n此外，AXLearn 还专为公有云环境设计，提供了部署和管理作业及数据的工具。\n基于 [GSPMD](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.04663)，AXLearn 采用全局计算范式，使用户能够在一个虚拟的全局计算机上描述计算，而无需逐个加速器地进行定义。\n\nAXLearn 支持广泛的应用领域，包括自然语言处理、计算机视觉和语音识别，并提供了用于训练最先进模型的基准配置。\n\n如需了解更多关于 AXLearn 的核心组件和设计，请参阅 [概念](docs\u002F02-concepts.md)；若想立即动手实践，则可参考 [快速入门](docs\u002F01-start.md)。","# AXLearn 快速上手指南\n\nAXLearn 是 Apple 开源的基于 JAX 和 XLA 的深度学习库，专为构建和训练超大规模模型（数千亿参数）设计。它采用面向对象的设计哲学，支持在公有云上高效调度数千个加速器，并兼容 Flax 和 Hugging Face transformers 等生态。\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**: 推荐 Linux (Ubuntu 20.04+) 或 macOS。Windows 用户建议使用 WSL2。\n*   **Python 版本**: Python 3.9 或更高版本。\n*   **硬件加速**: \n    *   **GPU**: 需要安装 NVIDIA CUDA 驱动及对应的 JAX GPU 版本。\n    *   **TPU**: 需要在 Google Cloud TPU 或 TPU VM 环境中运行。\n    *   **CPU**: 仅用于调试或小规模测试，不支持大规模训练。\n*   **前置依赖**:\n    *   `pip` (包管理工具)\n    *   `git` (代码克隆)\n\n> **注意**：由于 AXLearn 强依赖 JAX 生态，国内用户在安装 JAX 相关组件时可能会遇到网络延迟。建议配置 pip 国内镜像源（如阿里云、清华大学源）以加速依赖下载。\n\n## 安装步骤\n\n目前 AXLearn 处于活跃开发阶段，官方推荐从源码安装以获取最新功能。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn.git\n    cd axlearn\n    ```\n\n2.  **安装核心依赖与库**\n    建议使用虚拟环境（venv 或 conda）进行隔离。执行以下命令安装库及其依赖：\n    ```bash\n    pip install -e \".[dev]\"\n    ```\n\n3.  **验证 JAX 后端**\n    根据您的需求安装特定后端的 JAX。例如，对于 NVIDIA GPU 用户：\n    ```bash\n    # 使用国内镜像加速安装 (示例：清华源)\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \"jax[cuda12_pip]\" -f https:\u002F\u002Fstorage.googleapis.com\u002Fjax-releases\u002Fjax_cuda_releases.html\n    ```\n    *注：请根据您的 CUDA 版本调整 `cuda12_pip` 部分。*\n\n## 基本使用\n\nAXLearn 的核心设计理念是通过配置文件组合可复用的模块。以下是一个最简单的文本分类模型配置与初始化示例。\n\n### 1. 导入库\n```python\nimport jax\nimport jax.numpy as jnp\nfrom axlearn.common import config, module\nfrom axlearn.common.layers import Linear, Embedding\n```\n\n### 2. 定义模型配置\nAXLearn 使用配置对象来描述模型结构，而非直接实例化类。\n```python\n# 定义一个简单的分类器配置\ncfg = config.Config()\ncfg.name = \"simple_classifier\"\ncfg.input_dim = 512  # 输入维度 (例如 embedding size)\ncfg.num_classes = 10 # 输出类别数\n\n# 组合层：Embedding -> Linear\ncfg.embedding = Embedding.default_config().set(num_embeddings=10000, dim=cfg.input_dim)\ncfg.classifier = Linear.default_config().set(input_dim=cfg.input_dim, output_dim=cfg.num_classes)\n```\n\n### 3. 初始化与运行\n```python\n# 将配置转换为实际的模块实例\nmodel = cfg.instantiate(parent=None)\n\n# 模拟输入数据 (batch_size=2, sequence_length=4)\ninput_ids = jnp.ones((2, 4), dtype=jnp.int32)\n\n# 初始化参数状态 (需要传入随机密钥和输入示例)\nkey = jax.random.PRNGKey(0)\nstate = model.initialize_parameters_recursively(key, input_ids=input_ids)\n\n# 执行前向传播\nlogits, _ = model.forward(input_ids=input_ids, state=state)\n\nprint(f\"输出形状：{logits.shape}\") \n# 预期输出：(2, 10)，即 batch_size x num_classes\n```\n\n### 4. 命令行工具 (CLI)\nAXLearn 提供了强大的 CLI 用于启动训练任务。查看可用命令：\n```bash\naxlearn --help\n```\n\n运行一个预设的训练任务（需根据实际配置文件路径调整）：\n```bash\naxlearn train --config=path\u002Fto\u002Fyour\u002Fconfig.py --job_name=my_experiment\n```\n\n---\n*提示：更多核心概念与设计原则请参阅官方文档 [Concepts](docs\u002F02-concepts.md)，详细 CLI 用法请参阅 [CLI User Guide](docs\u002F03-cli.md)。*","某大型云服务商的算法团队正致力于在数千张 TPU 上训练一个千亿参数级别的多模态大模型，以支撑下一代智能助手的核心能力。\n\n### 没有 axlearn 时\n- **并行策略复杂难调**：工程师需手动编写繁琐的分布式代码来管理成千上万个加速器，一旦涉及张量或流水线并行，调试周期长达数周。\n- **资源利用率低下**：传统框架难以在全球计算视角下优化通信开销，导致大量算力在等待数据同步中闲置，训练成本居高不下。\n- **模型迭代僵化**：修改模型架构往往需要重构底层逻辑，无法像搭积木一样复用现有模块，严重拖慢了从实验到部署的节奏。\n- **跨云部署困难**：缺乏统一的作业管理工具，将训练任务迁移到不同公有云环境时，常因配置差异导致运行失败。\n\n### 使用 axlearn 后\n- **全局计算范式简化开发**：基于 GSPMD 技术，团队只需描述虚拟全球计算机上的计算逻辑，axlearn 自动处理底层的分片与通信，并行策略配置时间从周缩短至小时。\n- **极致算力吞吐**：利用其专为大规模集群设计的架构，模型在数千张加速器上保持高利用率运行，显著降低了单次训练的云端账单。\n- **面向对象灵活组装**：借助可复用的构建块和配置系统，研究人员能快速组合出新架构，甚至无缝集成 Hugging Face 组件，实验迭代效率提升数倍。\n- **无缝多云交付**：内置的云原生工具链让作业管理和数据部署变得标准化，轻松实现跨公有云环境的平滑迁移与稳定运行。\n\naxlearn 通过“全局计算”理念与工程化设计，让千亿参数模型的训练从复杂的底层运维中解放出来，真正回归算法创新本身。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_axlearn_d6d5dad4.png","apple","Apple","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fapple_84e0ff25.jpg","",null,"https:\u002F\u002Fapple.com","https:\u002F\u002Fgithub.com\u002Fapple",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Python","#3572A5",97.6,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",2.2,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.2,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",0.1,2343,405,"2026-04-14T09:40:09","Apache-2.0",4,"未说明","基于 JAX\u002FXLA，通常需支持 XLA 的加速器（如 NVIDIA GPU 或 TPU），具体型号、显存及驱动版本未在 README 中明确",{"notes":104,"python":101,"dependencies":105},"该库处于活跃开发阶段，API 可能发生变化。基于 GSPMD 构建，支持在数千个加速器上训练千亿参数模型，适用于公有云部署。详细环境配置需参考官方文档中的'Getting Started'章节。",[106,107,108,109],"JAX","XLA","Flax","Hugging Face transformers",[14],[112,113],"deep-learning","jax","2026-03-27T02:49:30.150509","2026-04-16T01:43:21.759938",[117,122,127,132,137,141],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},34779,"如何在芯片数量多于全局批次大小（Global Batch Size）的情况下运行模型（例如在 256 个芯片上使用 gbs=16）？","您需要区分逻辑批次大小（logical batch size）和物理批次大小（physical batch size）。当全局逻辑批次大小小于芯片总数时，不能直接设置 global_bs=128 在 256 个芯片上运行。解决方案是显式配置逻辑和物理批次参数，让系统自动推断其他字段。示例配置如下：\n\nglobal_logical_batch_size = 16\nglobal_physical_batch_size = 256 # 也可以尝试设为 64\nlogical_feed_indices = list(range(0, 64, 4)) # 表示每 4 个主机中只有 1 个读取一个“真实”批次\n\n请确保理解这些字段的含义，物理批次通常可以基于逻辑批次自动配置，但当前版本可能需要手动设置。","https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Fissues\u002F773",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},34780,"升级后在 GPU 上启动 axlearn 时初始化失败，报错找不到 GPU 库或配置错误，如何解决？","该问题通常由两个原因导致：\n1. 使用了已弃用的 XLA 标志；\n2. 配置文件名称过时，例如 Fuji 7B 模型现在需要使用带 `-v1` 后缀的配置名（如 `fuji-7B-b512-fsdp8-v1`）。\n\n请检查您的启动命令中的配置名称是否添加了版本后缀，并移除任何已弃用的 XLA 标志。此外，自定义实验中的代码错误有时会被模糊地报告为“配置未找到”，请仔细检查实验代码。","https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Fissues\u002F463",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},34781,"文档中推荐的 `pip install axlearn` 命令无法安装或版本过旧，应该如何正确安装？","由于 PyPI 上的最新版本可能已滞后（上次更新是一年前），建议直接从源码安装并使用 `flit` 工具。具体步骤如下：\n\n!pip install flit\n%cd \u002Fcontent\u002F\n!git clone https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn.git\n%cd \u002Fcontent\u002Faxlearn\n!FLIT_ROOT_INSTALL=1 flit install -s --deps production --extras core\n\n社区建议更新文档以反映此安装方式，因为 `flit` 而非 `pip` 是当前推荐的安装方法。","https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Fissues\u002F985",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},34782,"合并最新主分支后，运行 Fuji v2 70B 模型时出现 Attention 层的 AssertionError，该如何解决？","该问题通常与特定配置（如 v6e-256 mesh selector）下启用的 `RematSpec` 配置修饰符有关。解决方法是禁用该 `RematSpec ConfigModifier`。您可以检查您的配置文件，找到并关闭相关的重计算（remat）策略设置，或者暂时回退到未合并最新 main 分支的版本进行排查。","https:\u002F\u002Fgithub.com\u002Fapple\u002Faxlearn\u002Fissues\u002F1328",{"id":138,"question_zh":139,"answer_zh":140,"source_url":121},34783,"在配置 FSDP 和模型并行度时，对于 GQA（Grouped Query Attention）模型有什么特殊的限制吗？","是的，对于使用 GQA 的模型，需要注意头数（num_heads）的限制。例如，如果模型的 KV 头数为 8，则不能将模型并行度（model parallelism）设置为 16，因为这会导致头数无法被并行度整除。这是一个独立的配置问题，在设置 `fsdp` 和 `model` 参数时必须确保它们能整除对应的维度（如头数）。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":126},34784,"遇到模糊的“配置未找到”错误，但实际可能是代码逻辑错误，如何排查？","当自定义实验代码中存在错误时，系统有时会将其错误地报告为“配置未找到”且没有明确的错误信息。此时不应只检查配置文件，而应仔细审查自定义实验模块的代码逻辑。建议逐步简化配置或添加日志打印，以定位具体的代码错误位置。",[]]