[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-csyhhu--Awesome-Deep-Neural-Network-Compression":3,"tool-csyhhu--Awesome-Deep-Neural-Network-Compression":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",159267,2,"2026-04-17T11:29:14",[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":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":78,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":95,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":100},8557,"csyhhu\u002FAwesome-Deep-Neural-Network-Compression","Awesome-Deep-Neural-Network-Compression","Summary, Code for Deep Neural Network Quantization","Awesome-Deep-Neural-Network-Compression 是一个专注于深度神经网络压缩技术的开源资源库，旨在帮助开发者将庞大的 AI 模型“瘦身”，使其能在手机、嵌入式设备等资源受限的环境中高效运行。它系统性地解决了大模型部署难、推理慢及存储占用高的问题，涵盖了量化、剪枝（结构化与非结构化）、知识蒸馏等核心压缩手段。\n\n该资源库非常适合 AI 研究人员、算法工程师以及对模型优化感兴趣的学生使用。其独特亮点在于不仅提供了按主题（如 NLP 压缩、鲁棒性压缩、大预训练模型压缩）和年份分类的精选论文清单，还整理了 DeepSpeed、ColossalAI 等主流压缩系统链接，并附带了作者复现的前沿算法代码及通俗易懂的技术总结幻灯片。无论是想快速了解领域前沿的研究者，还是寻找落地代码的开发者，都能在这里找到从理论基础到工程实践的一站式指引，是深入探索神经网络压缩领域的宝贵知识库。","![Maintenance](https:\u002F\u002Fimg.shields.io\u002Fmaintenance\u002Fyes\u002F2025?style=plastic)\n![GitHub last commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fcsyhhu\u002FAwesome-Deep-Neural-Network-Compression.svg?style=flat-square)\n![GitHub commit activity](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fcsyhhu\u002FAwesome-Deep-Neural-Network-Compression.svg?style=flat-square)\n[![Ask Me Anything !](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAsk%20me-anything-1abc9c.svg?style=flat-square)](https:\u002F\u002FGitHub.com\u002FNaereen\u002Fama)\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg?style=flat-square)](https:\u002F\u002Fawesome.re)\n# Awesome Deep Neural Network Compression\nPaper collection, Summary, Code for Deep Neural Network Compression, including:\n - Quantization, \n - Pruning (Unstructure, structure)\n - Distillation \n \n and so on.\n\n## Paper:\n +  By Topic:\n    \n    - [Quantization](.\u002FPaper\u002FQuantization.md)\n    - [Pruning](.\u002FPaper\u002FPruning.md)\n    - [Efficient Model Design](.\u002FPaper\u002FEfficient-Model-Design.md)\n    - [Network Architecture Search (NAS) for Model Compression](.\u002FPaper\u002FNAS.md)\n    - [Compression Meets Robustness (Adversarial)](.\u002FPaper\u002FRobust-Compression.md)\n    - [NLP Compression](.\u002FPaper\u002FNLP-Compression.md)\n    - [Differentiable Compression](.\u002FPaper\u002FDifferentiable-Compression.md)\n    - [Large Pretraining Models](Paper\u002FLarge-Pretraining-Models\u002FOverall.md): Including language, vision\n    \n +  [By Conference](.\u002FPaper\u002FPaperByConference.md):\n    - [2024](.\u002FPaper\u002FConference\u002F2024.md)\n    - [2023](.\u002FPaper\u002FConference\u002F2023.md)\n    - [2022](.\u002FPaper\u002FConference\u002F2022.md)\n    - [2021](.\u002FPaper\u002FConference\u002F2021.md)\n\t- [2020](.\u002FPaper\u002FConference\u002F2020.md)\n    - [2019](.\u002FPaper\u002FConference\u002F2019.md)\n    - [2018](.\u002FPaper\u002FConference\u002F2018.md)\n    \n +  [Survey](.\u002FPaper\u002Fsurvey.md)\n \n + Related Topic:\n   - [Optimization](.\u002F)\n   - [Meta Learning](.\u002FPaper\u002FMeta-Learning.md)\n    \n## Compression System:\n* [DeepSpeed](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FDeepSpeed)\n* [ColossalAI](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FColossalAI)\n* [Distiller](https:\u002F\u002Fnervanasystems.github.io\u002Fdistiller\u002F)\n* [PocketFlow](https:\u002F\u002Fgithub.com\u002FTencent\u002FPocketFlow)\n\n## Codes \u002F Tools:\n + [My Implementation](.\u002FCodes): My re-implementation of state-of-the-art compression methods.\n## Summary: \nMy summary (slides) for network compression. Some papers are chosen to be represented.\n* [Quantization Summary](.\u002FSummary\u002FQuantization-Summary.pdf)\n* [Pruning Summary](.\u002FSummary\u002FPrunning-Summary.pdf)\n* Theory: From basic convex optimization to quantization","![维护状态](https:\u002F\u002Fimg.shields.io\u002Fmaintenance\u002Fyes\u002F2025?style=plastic)\n![GitHub 最近一次提交](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fcsyhhu\u002FAwesome-Deep-Neural-Network-Compression.svg?style=flat-square)\n![GitHub 提交活跃度](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fcsyhhu\u002FAwesome-Deep-Neural-Network-Compression.svg?style=flat-square)\n[![问我任何问题！](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAsk%20me-anything-1abc9c.svg?style=flat-square)](https:\u002F\u002FGitHub.com\u002FNaereen\u002Fama)\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg?style=flat-square)](https:\u002F\u002Fawesome.re)\n# 优秀深度神经网络压缩资源\n论文集、摘要、代码，涵盖深度神经网络压缩的各个方面，包括：\n - 量化，\n - 剪枝（非结构化、结构化），\n - 知识蒸馏，\n\n以及其他相关主题。\n\n## 论文：\n + 按主题分类：\n    \n    - [量化](.\u002FPaper\u002FQuantization.md)\n    - [剪枝](.\u002FPaper\u002FPruning.md)\n    - [高效模型设计](.\u002FPaper\u002FEfficient-Model-Design.md)\n    - [用于模型压缩的网络架构搜索 (NAS)](.\u002FPaper\u002FNAS.md)\n    - [压缩与鲁棒性（对抗性）](.\u002FPaper\u002FRobust-Compression.md)\n    - [NLP 压缩](.\u002FPaper\u002FNLP-Compression.md)\n    - [可微压缩](.\u002FPaper\u002FDifferentiable-Compression.md)\n    - [大规模预训练模型](Paper\u002FLarge-Pretraining-Models\u002FOverall.md)：涵盖语言、视觉等领域\n    \n +  [按会议分类](.\u002FPaper\u002FPaperByConference.md)：\n    - [2024 年](.\u002FPaper\u002FConference\u002F2024.md)\n    - [2023 年](.\u002FPaper\u002FConference\u002F2023.md)\n    - [2022 年](.\u002FPaper\u002FConference\u002F2022.md)\n    - [2021 年](.\u002FPaper\u002FConference\u002F2021.md)\n\t- [2020 年](.\u002FPaper\u002FConference\u002F2020.md)\n    - [2019 年](.\u002FPaper\u002FConference\u002F2019.md)\n    - [2018 年](.\u002FPaper\u002FConference\u002F2018.md)\n    \n +  [综述](.\u002FPaper\u002Fsurvey.md)\n \n + 相关主题：\n   - [优化](.\u002F)\n   - [元学习](.\u002FPaper\u002FMeta-Learning.md)\n    \n## 压缩系统：\n* [DeepSpeed](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FDeepSpeed)\n* [ColossalAI](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FColossalAI)\n* [Distiller](https:\u002F\u002Fnervanasystems.github.io\u002Fdistiller\u002F)\n* [PocketFlow](https:\u002F\u002Fgithub.com\u002FTencent\u002FPocketFlow)\n\n## 代码 \u002F 工具：\n + [我的实现](.\u002FCodes)：我对当前最先进压缩方法的复现。\n## 总结：\n我对网络压缩的总结（幻灯片）。选取了一些论文进行展示。\n* [量化总结](.\u002FSummary\u002FQuantization-Summary.pdf)\n* [剪枝总结](.\u002FSummary\u002FPrunning-Summary.pdf)\n* 理论：从基础凸优化到量化","# Awesome-Deep-Neural-Network-Compression 快速上手指南\n\n本项目是一个深度神经网络压缩（Deep Neural Network Compression）的精选资源库，涵盖量化、剪枝、知识蒸馏等方向的论文、代码实现及系统工具汇总。它主要作为学术研究和工程落地的索引目录，而非单一的 Python 包。\n\n## 环境准备\n\n由于本项目聚合了多种算法的实现代码和外部系统链接，建议准备以下基础环境：\n\n*   **操作系统**：Linux (推荐 Ubuntu 18.04+) 或 macOS\n*   **Python 版本**：Python 3.8 或更高版本\n*   **核心依赖**：\n    *   PyTorch 或 TensorFlow (具体版本取决于你选择的子项目代码)\n    *   Git (用于克隆仓库)\n*   **硬件要求**：如需运行具体的压缩训练示例，建议配备 NVIDIA GPU 及对应的 CUDA 驱动。\n\n## 安装步骤\n\n本项目本身是一个资源列表，无需通过 `pip` 安装主包。你需要克隆仓库以获取论文列表、总结文档以及作者复现的代码。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcsyhhu\u002FAwesome-Deep-Neural-Network-Compression.git\n    cd Awesome-Deep-Neural-Network-Compression\n    ```\n\n2.  **配置具体算法环境（可选）**\n    如果你打算运行 `Codes` 目录下的复现代码，请进入对应子目录并安装其特定依赖。例如：\n    ```bash\n    cd Codes\n    # 查看具体子文件夹的 README 或 requirements.txt\n    ls\n    # 假设进入某个具体算法目录后：\n    # pip install -r requirements.txt\n    ```\n\n3.  **访问相关系统工具**\n    对于大型压缩系统（如 DeepSpeed, ColossalAI），请访问项目中列出的独立仓库进行安装。推荐使用国内镜像源加速安装：\n    ```bash\n    # 以安装 DeepSpeed 为例，使用清华源\n    pip install deepspeed -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n本项目的核心用途是**检索资源**和**参考代码**。以下是三种最基本的使用方式：\n\n### 1. 查阅分类论文列表\n在终端或浏览器中查看按主题整理的论文清单。例如，查看**量化（Quantization）**相关的论文列表：\n```bash\ncat Paper\u002FQuantization.md\n```\n或者查看按**会议年份**整理的列表（如 2024 年论文）：\n```bash\ncat Paper\u002FConference\u002F2024.md\n```\n\n### 2. 阅读核心总结幻灯片\n项目提供了关于量化和剪枝的核心概念总结（PDF 格式），适合快速入门理论：\n*   **量化总结**：`Summary\u002FQuantization-Summary.pdf`\n*   **剪枝总结**：`Summary\u002FPrunning-Summary.pdf`\n\n你可以使用本地 PDF 阅读器打开：\n```bash\n# Linux 示例 (需安装 evince 或其他 pdf 阅读器)\nevince Summary\u002FQuantization-Summary.pdf &\n```\n\n### 3. 运行复现代码\n进入 `Codes` 目录，这里包含了作者对主流压缩方法的重现实现。选择一个算法目录，按照其内部的 `README` 指示运行训练脚本。\n```bash\ncd Codes\n# 进入具体的算法文件夹，例如 (示例路径，具体视仓库更新而定)\ncd quantization_method_example\npython train.py --config config.yaml\n```\n\n> **提示**：对于生产级应用，建议直接参考项目中 `Compression System` 部分列出的成熟框架（如 [DeepSpeed](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FDeepSpeed) 或 [ColossalAI](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FColossalAI)），它们提供了更完善的 API 和文档。","某边缘计算团队正试图将高精度视觉检测模型部署到算力受限的工业摄像头中，面临模型体积过大导致无法落地的困境。\n\n### 没有 Awesome-Deep-Neural-Network-Compression 时\n- **技术选型迷茫**：面对海量的量化、剪枝和蒸馏论文，工程师需耗费数周手动筛选适合特定硬件的算法，极易遗漏最新成果。\n- **复现成本高昂**：缺乏统一的代码基准，尝试复现顶级会议（如 CVPR\u002FICLR）的压缩算法时，常因环境配置复杂或代码缺失而失败。\n- **理论实践脱节**：团队难以快速理解从凸优化到量化误差的理论细节，导致参数调整靠“猜”，模型精度在压缩后大幅下跌。\n- **工具链分散**：需要在 DeepSpeed、Distiller 等多个独立仓库间切换，缺乏系统性的分类指引，开发效率极低。\n\n### 使用 Awesome-Deep-Neural-Network-Compression 后\n- **精准定位方案**：利用其按主题（如 NLP 压缩、鲁棒性压缩）和年份整理的论文库，团队在半天内锁定了针对嵌入式设备的最佳量化策略。\n- **开箱即用代码**：直接调用仓库中收录的 SOTA 方法复现代码及关联的压缩系统链接，将算法验证周期从数周缩短至两天。\n- **理论指导调优**：参考提供的量化与剪枝总结幻灯片及理论推导，快速掌握核心原理，成功将模型压缩 4 倍且精度损失控制在 1% 以内。\n- **生态一站式整合**：通过清晰的分类导航，无缝衔接从理论研究到 PocketFlow 等工程工具的落地路径，大幅降低试错成本。\n\nAwesome-Deep-Neural-Network-Compression 通过构建从前沿论文到可执行代码的完整桥梁，让深度学习模型压缩从“高门槛科研”转变为“高效工程实践”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcsyhhu_Awesome-Deep-Neural-Network-Compression_487c561d.png","csyhhu","Chen Shangyu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcsyhhu_89c4cc87.jpg","Graduated Ph.D. student from NTU, SG. Currently engineer in Alibaba, China.","Alibaba","China",null,"csyhhu.github.io","https:\u002F\u002Fgithub.com\u002Fcsyhhu",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,559,82,"2026-04-11T09:33:15",1,"","未说明",{"notes":93,"python":91,"dependencies":94},"该项目是一个深度学习模型压缩领域的论文、代码和总结的集合列表（Awesome List），而非一个可直接运行的单一软件工具。它包含了量化、剪枝、蒸馏等主题的资源链接，以及指向 DeepSpeed、ColossalAI、Distiller 等独立压缩系统仓库的指引。具体的运行环境需求取决于用户选择使用的子项目或复现的具体论文代码。",[],[14,96],"其他","2026-03-27T02:49:30.150509","2026-04-18T00:38:01.668706",[],[]]