[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-deepspeedai--DeepSpeedExamples":3,"tool-deepspeedai--DeepSpeedExamples":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":74,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":99,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":131},9147,"deepspeedai\u002FDeepSpeedExamples","DeepSpeedExamples","Example models using DeepSpeed","DeepSpeedExamples 是微软 DeepSpeed 团队官方维护的实战代码库，旨在为开发者提供一套涵盖训练、推理、模型压缩及性能基准测试的完整示例集合。面对大模型开发中常见的显存受限、训练效率低下以及推理延迟高等挑战，DeepSpeedExamples 通过提供端到端的应用案例和详细的分步指南，帮助用户快速上手并落地前沿模型技术。\n\n该资源库特别适合人工智能研究人员、算法工程师以及希望优化大模型工作流的开发者使用。无论是需要微调预训练模型，还是构建高性能推理服务，用户都能在此找到对应的参考实现。其核心亮点在于深度集成了 DeepSpeed-MII 和 DeepSpeed-FastGen 等先进推理引擎，显著提升了生成式 AI 的响应速度与吞吐量；同时，它还提供了与 Hugging Face 生态无缝对接的示例，降低了技术迁移门槛。此外，库中收录的各类基准测试数据，也为评估不同硬件环境下的模型表现提供了可靠依据。作为连接理论与工程实践的桥梁，DeepSpeedExamples 以开源协作的方式，助力社区高效解决大模型规模化应用中的实际难题。","# DeepSpeed Examples\r\nThis repository contains various examples including training, inference, compression, benchmarks, and applications that use [DeepSpeed](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed).\r\n\r\n## 1. Applications\r\nThis folder contains end-to-end applications that use DeepSpeed to train and use cutting-edge models.\r\n\r\n## 2. Training\r\nThere are several training and finetuning examples so please see the individual folders for specific instructions.\r\n\r\n## 3. Inference\r\n- The DeepSpeed-MII inference [README](.\u002Finference\u002Fmii\u002FREADME.md) explains how to get started with running model inference with [DeepSpeed-MII](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed-MII) and [DeepSpeed-FastGen](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Ftree\u002Fmaster\u002Fblogs\u002Fdeepspeed-fastgen).\r\n- The DeepSpeed Huggingface inference [README](.\u002Finference\u002Fhuggingface\u002FREADME.md) explains how to get started with running DeepSpeed Huggingface inference examples.\r\n\r\n## 4. Compression\r\nModel compression examples.\r\n\r\n## 5. Benchmarks\r\nAll benchmarks that use the DeepSpeed library are maintained in this folder.\r\n\r\n# Build Pipeline Status\r\n| Description | Status |\r\n| ----------- | ------ |\r\n| Integrations | [![nv-ds-chat](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Factions\u002Fworkflows\u002Fnv-ds-chat.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Factions\u002Fworkflows\u002Fnv-ds-chat.yml) |\r\n\r\n# Contributing\r\n\r\nThis project welcomes contributions and suggestions.  Most contributions require you to agree to a\r\nContributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us\r\nthe rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\r\n\r\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide\r\na CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions\r\nprovided by the bot. You will only need to do this once across all repos using our CLA.\r\n\r\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F).\r\nFor more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or\r\ncontact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\r\n","# DeepSpeed 示例\n本仓库包含多种示例，涵盖训练、推理、模型压缩、基准测试以及使用 [DeepSpeed](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed) 的应用。\n\n## 1. 应用\n此文件夹包含端到端的应用程序，这些应用程序使用 DeepSpeed 来训练和部署前沿模型。\n\n## 2. 训练\n这里有多个训练和微调的示例，请参阅各个子文件夹以获取具体说明。\n\n## 3. 推理\n- DeepSpeed-MII 推理的 [README](.\u002Finference\u002Fmii\u002FREADME.md) 介绍了如何使用 [DeepSpeed-MII](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed-MII) 和 [DeepSpeed-FastGen](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Ftree\u002Fmaster\u002Fblogs\u002Fdeepspeed-fastgen) 运行模型推理。\n- DeepSpeed Huggingface 推理的 [README](.\u002Finference\u002Fhuggingface\u002FREADME.md) 介绍了如何开始运行 DeepSpeed Huggingface 推理示例。\n\n## 4. 压缩\n模型压缩示例。\n\n## 5. 基准测试\n所有使用 DeepSpeed 库的基准测试都维护在此文件夹中。\n\n# 构建流水线状态\n| 描述 | 状态 |\n| ----------- | ------ |\n| 集成 | [![nv-ds-chat](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Factions\u002Fworkflows\u002Fnv-ds-chat.yml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed\u002Factions\u002Fworkflows\u002Fnv-ds-chat.yml) |\n\n# 贡献\n本项目欢迎贡献和建议。大多数贡献都需要您签署贡献者许可协议（CLA），声明您有权并将您的贡献权利授予我们。有关详细信息，请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记 PR（例如状态检查、评论）。请按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需执行一次此操作。\n\n本项目已采用 [微软开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。如需更多信息，请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) 或发送电子邮件至 [opencode@microsoft.com](mailto:opencode@microsoft.com) 提出任何其他问题或意见。","# DeepSpeedExamples 快速上手指南\n\nDeepSpeedExamples 是微软 DeepSpeed 项目的官方示例仓库，涵盖了大模型的训练、推理、压缩、基准测试及端到端应用。本指南将帮助你快速搭建环境并运行基础示例。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 20.04\u002F22.04)\n*   **硬件**: NVIDIA GPU (支持 CUDA)，建议显存 16GB 以上以运行大型模型示例\n*   **软件依赖**:\n    *   Python >= 3.8\n    *   CUDA Toolkit (版本需与 PyTorch 匹配)\n    *   Git\n    *   PyTorch (建议安装最新稳定版)\n\n> **国内加速建议**：\n> 推荐使用清华或阿里镜像源加速 Python 包和 PyTorch 的安装。\n> *   PyTorch 国内镜像：`https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118` (根据实际 CUDA 版本调整)\n> *   Pip 国内镜像：`https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 2. 安装步骤\n\n### 第一步：克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeedExamples.git\ncd DeepSpeedExamples\n```\n\n### 第二步：安装 DeepSpeed 核心库\n你可以选择从源码安装（推荐，以获得最新特性）或使用 pip 安装预编译包。\n\n**方式 A：使用 pip 安装（快速）**\n```bash\n# 使用国内镜像加速\npip install deepspeed -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**方式 B：从源码安装（适合需要自定义编译选项）**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeed.git\ncd DeepSpeed\nDS_BUILD_OPS=1 pip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*注：`DS_BUILD_OPS=1` 会尝试编译所有优化的 CUDA 算子，可能需要较长时间且需确保已安装 `cuda-toolkit` 和 `ninja`。*\n\n### 第三步：安装示例特定依赖\n不同的示例文件夹可能包含独立的 `requirements.txt`。在进入具体示例目录后，请执行：\n```bash\n# 以训练示例为例\ncd training\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 3. 基本使用\n\nDeepSpeedExamples 按功能模块分类，以下是两个最常用的场景示例。\n\n### 场景一：运行分布式训练示例\n进入 `training` 目录，选择一个具体的模型示例（如 `bert` 或 `llama`）。以下以运行一个简单的分布式训练脚本为例：\n\n```bash\ncd training\u002Fbert\n\n# 使用 deepspeed 命令启动训练\n# --num_gpus 指定使用的 GPU 数量\n# --deepspeed 启用 DeepSpeed 优化\n# --deepspeed_config 指定配置文件路径\ndeepspeed --num_gpus=2 train.py \\\n    --deepspeed \\\n    --deepspeed_config ds_config.json\n```\n\n### 场景二：运行高性能推理示例\n进入 `inference` 目录，DeepSpeed 提供了基于 Hugging Face 和 MII 的推理方案。\n\n**使用 Hugging Face 集成进行推理：**\n```bash\ncd inference\u002Fhuggingface\n\n# 运行文本生成示例\npython generate.py \\\n    --model_name_or_path microsoft\u002Fphi-2 \\\n    --deepspeed \\\n    --dtype float16\n```\n\n**使用 DeepSpeed-MII 进行低延迟推理：**\n```bash\ncd inference\u002Fmii\n\n# 部署并运行模型服务\npython deploy.py \\\n    --model_name gpt2 \\\n    --deployment_name my-gpt2-deployment\n```\n\n> **提示**：每个子文件夹（如 `training`, `inference`, `compression`）下均有详细的 `README.md`，包含针对该特定任务的参数说明和高级用法，请在运行前查阅对应目录的文档。","某初创 AI 团队正试图在有限的单卡资源上微调一个百亿参数的大语言模型，以构建垂直领域的智能客服系统。\n\n### 没有 DeepSpeedExamples 时\n- **环境配置混乱**：开发者需从零编写复杂的分布式训练脚本，反复调试 ZeRO 优化策略与通信后端，耗费数天仍无法跑通模型。\n- **显存频繁溢出**：缺乏成熟的显存优化示例，直接加载大模型导致 OOM（内存溢出）错误频发，被迫降低批次大小或模型精度，严重影响收敛效果。\n- **推理延迟过高**：自行部署的推理服务响应缓慢，无法满足实时对话需求，且不知道如何集成 DeepSpeed-MII 进行加速。\n- **压缩无从下手**：面对模型体积过大难以部署的问题，找不到可靠的量化或剪枝参考代码，只能搁置上线计划。\n\n### 使用 DeepSpeedExamples 后\n- **快速启动训练**：直接复用仓库中现成的微调示例脚本，只需修改配置文件即可在单卡或多卡环境下顺利启动百亿模型训练，将环境搭建时间从数天缩短至几小时。\n- **高效显存管理**：借鉴示例中的 ZeRO-3 _offload_配置，成功在消费级显卡上运行大模型，显存占用降低 70% 以上，同时保持了训练稳定性。\n- **毫秒级推理响应**：参照 DeepSpeed-MII 和 FastGen 的示例部署推理服务，利用动态批处理技术将首字生成延迟降低至毫秒级，完美支撑高并发客服场景。\n- **轻松模型压缩**：利用提供的压缩示例代码，快速完成模型量化，使最终部署包体积缩小 4 倍，便于在边缘设备或低成本服务器上运行。\n\nDeepSpeedExamples 通过提供经过验证的全流程最佳实践，让开发者跳过繁琐的基础设施构建，直接专注于核心业务逻辑的实现与迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepspeedai_DeepSpeedExamples_6482af42.png","deepspeedai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdeepspeedai_106408b5.png","",null,"https:\u002F\u002Fgithub.com\u002Fdeepspeedai",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",92,{"name":83,"color":84,"percentage":85},"Shell","#89e051",8,6818,1124,"2026-04-16T19:37:02","Apache-2.0",4,"未说明",{"notes":93,"python":91,"dependencies":94},"该仓库包含训练、推理、压缩和基准测试等多种示例，具体环境需求需参考各子文件夹（如 training, inference）中的独立说明文档。核心依赖为 DeepSpeed 库及其相关组件（MII, FastGen）。",[95,96,97,98],"DeepSpeed","DeepSpeed-MII","DeepSpeed-FastGen","Huggingface",[35,14],"2026-03-27T02:49:30.150509","2026-04-18T22:31:43.414121",[103,108,112,117,122,127],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},41062,"运行命令时出现 'RuntimeError: Error building extension fused_adam' 且报错信息太少无法调试怎么办？","这是 `fused_adam` 算子编译失败的典型表现。解决方案是强制预编译该算子。请在安装 deepspeed 之前设置环境变量：\n`export DS_BUILD_FUSED_ADAM=1`\n然后重新执行安装命令：\n`pip install deepspeed`\n这将确保在安装过程中正确构建融合算子，避免运行时错误。","https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeedExamples\u002Fissues\u002F279",{"id":109,"question_zh":110,"answer_zh":111,"source_url":107},41058,"运行训练时遇到 'RuntimeError: Step 1 exited with non-zero status 1' 错误如何解决？","这通常是由于 `fused_adam` 扩展构建失败导致的。请尝试预编译该扩展并重新安装 DeepSpeed。执行以下命令：\n`DS_BUILD_FUSED_ADAM=1 pip install deepspeed`\n安装完成后，可以使用 `ds_report` 命令检查安装结果。",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},41059,"在 Step 2 训练中遇到 'Current loss scale already at minimum - cannot decrease scale anymore' 错误怎么办？","这是一个常见的混合精度训练问题。最有效的解决方法是将训练精度从 fp16 改为 bf16。请修改启动脚本或配置文件，将相关参数设置为 bf16 模式，通常可以解决此损失缩放比例达到最小值的问题。","https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeedExamples\u002Fissues\u002F418",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},41060,"如何在 DeepSpeed-Chat 中训练 Llama 模型？","需要修改 `training\u002Fstep1_supervised_finetuning\u002Fmain.py` 脚本来适配 Llama 模型。主要步骤包括：\n1. 导入 `LlamaTokenizer` 和 `LlamaForCausalLM`。\n2. 在代码中添加判断逻辑，如果模型路径包含 'llama'，则使用 Llama 专用的 tokenizer 和模型类。\n3. 手动添加特殊 token（eos_token, bos_token, unk_token）。\n4. 如果 pad_token 为空，调用 `smart_tokenizer_and_embedding_resize` 函数调整 tokenizer 和嵌入层大小。\n注意：Llama 模型的 GPU 利用率不平衡可能是正常现象，与 OPT 模型表现不同。","https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeedExamples\u002Fissues\u002F329",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},41061,"使用 LoRA 进行 Step 3 RLHF 训练时，Actor 和 Actor_EMA 性能都很差（输出重复 token），如何解决？","这个问题通常与超参数设置不当有关，特别是在高性能硬件（如 8xA100）上运行时。建议采取以下措施：\n1. 集成 WandB 等工具记录奖励值以便监控。\n2. 调整学习率（learning rate）和梯度累积步数（gradient accumulation steps）。\n3. 参考社区实验数据，针对特定硬件配置进行超参数微调，默认参数可能不适用于所有场景。","https:\u002F\u002Fgithub.com\u002Fdeepspeedai\u002FDeepSpeedExamples\u002Fissues\u002F441",{"id":128,"question_zh":129,"answer_zh":130,"source_url":126},41063,"在使用 LoRA 进行多阶段训练时，Step 1 和 Step 3 是否都可以使用 LoRA？","是的，可以在 Step 1（监督微调）和 Step 3（强化学习人类反馈）中都使用 LoRA。但在 Step 3 中使用经过 LoRA 训练的 Step 1 模型时，需要注意超参数的匹配。如果遇到性能下降（如生成重复 token），通常需要调整学习率和梯度累积策略，因为 LoRA 的参数更新机制与全量微调不同，对超参数更敏感。",[]]