[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-facebookresearch--fairseq2":3,"tool-facebookresearch--fairseq2":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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":32,"env_os":112,"env_gpu":113,"env_ram":114,"env_deps":115,"category_tags":121,"github_topics":122,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":128,"updated_at":129,"faqs":130,"releases":159},8587,"facebookresearch\u002Ffairseq2","fairseq2","FAIR Sequence Modeling Toolkit 2","fairseq2 是 Meta FAIR 团队全新重构的序列建模工具包，专为内容生成任务的研究与训练打造。它并非旧版 fairseq 的简单升级，而是一个从零开始、架构更清晰灵活的独立项目，旨在解决传统框架代码耦合度高、扩展困难的问题，让研究人员能完全掌控自己的项目代码库。\n\n这款工具特别适合从事大语言模型、语音识别及多模态研究的开发者与科研人员。无论是进行指令微调、偏好优化，还是训练参数量超过 700 亿的超大模型，fairseq2 都能提供强大支持。其核心技术亮点包括：原生支持 vLLM 加速推理，具备基于 C++ 的高吞吐流式数据管道以高效处理语音数据，并完美适配现代 PyTorch 特性（如 torch.compile 和 FSDP）。此外，它通过独特的“资产卡”机制实现模型与数据集的版本化管理，并允许用户无需修改源码即可灵活注册新模型或优化器。如果你希望在多 GPU 或多节点环境下高效探索前沿算法，fairseq2 将是一个专业且友好的选择。","\u003Cp align=\"center\">\n  \u003Cimg src=\"doc\u002Fsource\u002F_static\u002Fimg\u002Flogo.svg\" width=\"150\">\u003Cbr \u002F>\n\u003C\u002Fp>\n\n# fairseq2: FAIR Sequence Modeling Toolkit 2\n\n[![Nightly](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Factions\u002Fworkflows\u002Fnightly.yaml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Factions\u002Fworkflows\u002Fnightly.yaml)\n[![PyPI version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffairseq2)](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairseq2\u002F)\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\n**Documentation: [Stable](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable), [Nightly](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fnightly)** | **Install: [Linux](#installing-on-linux), [macOS](#installing-on-macos), [Windows](#installing-on-windows), [From Source](INSTALL_FROM_SOURCE.md)** | **Contribute: [Guidelines](CONTRIBUTING.md)**\n\nfairseq2 is a sequence modeling toolkit that allows researchers to train custom models for content generation tasks.\n\n### Some of the Recent FAIR Research Based on fairseq2\n* [Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.09690)\n* [Bridging Offline and Online Reinforcement Learning for LLMs](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2506.21495)\n* [R.I.P.: Better Models by Survival of the Fittest Prompts](https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.18578)\n* [Learning to reason for factuality](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.05618)\n* [Diverse Preference Optimization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.18101)\n* [Large Concept Models: Language Modeling in a Sentence Representation Space](https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.08821)\n* [Seamless: Multilingual Expressive and Streaming Speech Translation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.05187)\n\n### How is fairseq2 different from the original fairseq?\nfairseq2 is a start-from-scratch project that can be considered a reboot of the original [fairseq](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq) to provide a clean, modular API. Notably, it differs from its predecessor in its design philosophy, moving from a monolithic framework to an extensible, much less intrusive architecture allowing researchers to independently own their project code base.\n\n> As fairseq2 is a complete new project rather than an incremental update to the original fairseq, we intentionally avoided labeling it as fairseq version 2, reflecting its distinct and separate identity.\n\n## Features\n* First-party recipes for language model [instruction finetuning](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Ftutorials\u002Fend_to_end_fine_tuning.html) and [preference optimization](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Ftutorials\u002Fpreference_optimization.html)\n* Multi-GPU, multi-node [training](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Ftrainer.html) using DDP, FSDP, and tensor parallelism. Supports 70B+ models.\n* Native support for vLLM along with built-in sampling and beam search sequence generators\n* Extensible with setuptools [extension mechanism](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fruntime_extensions.html). Easily register new models, optimizers, lr schedulers, trainer units without forking\u002Fbranching the library.\n* Modern PyTorch tooling. Uses composability (i.e. torch.compile), PyTorch FSDP, and other relevant features\n* Streaming-based, high throughput [data pipeline API](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fdata_pipeline.html) written in C++ with support for speech and (soon) video decoding\n* Programmatic [asset cards](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fassets.html) for version controlled access to models, datasets, and tokenizers\n* Flexible, but deterministic configuration based on the built-in *structured* API\n\n## Getting Started\nVisit our [documentation website](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002F) to learn more about fairseq2.\n\n## Installing on Linux\n\n### System Dependencies\nfairseq2 depends on [libsndfile](https:\u002F\u002Fgithub.com\u002Flibsndfile\u002Flibsndfile),\nwhich can be installed via the system package manager on most Linux\ndistributions. For Ubuntu-based systems, run:\n\n```sh\nsudo apt install libsndfile1\n```\n\nSimilarly, on Fedora, run:\n\n```sh\nsudo dnf install libsndfile\n```\n\nFor other Linux distributions, please consult its documentation on how to\ninstall packages.\n\n### pip\nTo install fairseq2 on Linux x86-64, run:\n\n```sh\npip install fairseq2\n```\n\nThis command will install a version of fairseq2 that is compatible with PyTorch\nhosted on PyPI.\n\nAt this time, we do not offer a pre-built package for ARM-based systems such as\nRaspberry PI or NVIDIA Jetson. Please refer to\n[Install From Source](INSTALL_FROM_SOURCE.md) to learn how to build and install\nfairseq2 on those systems.\n\n### Variants\nBesides PyPI, fairseq2 also has pre-built packages available for different\nPyTorch and CUDA versions hosted on FAIR's package repository. The following\nmatrix shows the supported combinations.\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Cth>fairseq2\u003C\u002Fth>\n    \u003Cth>PyTorch\u003C\u002Fth>\n    \u003Cth>Python\u003C\u002Fth>\n    \u003Cth>Variant*\u003C\u002Fth>\n    \u003Cth>Arch\u003C\u002Fth>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>HEAD\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.8\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.7\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.6\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.6.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu124\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n*\\* cuXYZ refers to CUDA XY.Z (e.g. cu118 means CUDA 11.8)*\n\nTo install a specific combination, first follow the installation instructions on\n[pytorch.org](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally) for the desired PyTorch\nversion, and then use the following command (shown for PyTorch `2.9.1` and\nvariant `cu126`):\n\n```sh\npip install fairseq2\\\n  --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt2.9.1\u002Fcu126\n```\n\n> [!WARNING]\n> fairseq2 relies on the C++ API of PyTorch which has no API\u002FABI compatibility\n> between releases. This means **you have to install the fairseq2 variant that\n> exactly matches your PyTorch version**. Otherwise, you might experience issues\n> like immediate process crashes or spurious segfaults. For the same reason, if\n> you upgrade your PyTorch version, you must also upgrade your fairseq2\n> installation.\n\n### Nightlies\nFor Linux, we also host nightly builds on FAIR's package repository. The\nsupported variants are identical to the ones listed in *Variants* above. Once\nyou have installed the desired PyTorch version, you can use the following\ncommand to install the corresponding nightly package  (shown for PyTorch `2.9.1`\nand variant `cu128`):\n\n```sh\npip install fairseq2\\\n  --pre --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fnightly\u002Fpt2.9.1\u002Fcu128\n```\n\n\n## Installing on macOS\n\n### System Dependencies\nfairseq2 depends on [libsndfile](https:\u002F\u002Fgithub.com\u002Flibsndfile\u002Flibsndfile),\nwhich can be installed via Homebrew:\n\n```sh\nbrew install libsndfile\n```\n\n### pip\nTo install fairseq2 on ARM64-based (i.e. Apple silicon) Mac computers, run:\n\n```sh\npip install fairseq2\n```\n\nThis command will install a version of fairseq2 that is compatible with PyTorch\nhosted on PyPI.\n\nAt this time, we do not offer a pre-built package for Intel-based Mac computers.\nPlease refer to [Install From Source](INSTALL_FROM_SOURCE.md) to learn how to\nbuild and install fairseq2 on Intel machines.\n\n### Variants\nBesides PyPI, fairseq2 also has pre-built packages available for different\nPyTorch versions hosted on FAIR's package repository. The following matrix shows\nthe supported combinations.\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Cth>fairseq2\u003C\u002Fth>\n    \u003Cth>PyTorch\u003C\u002Fth>\n    \u003Cth>Python\u003C\u002Fth>\n    \u003Cth>Arch\u003C\u002Fth>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>HEAD\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>0.8\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>0.7\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=2>\u003Ccode>0.6\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\nTo install a specific combination, first follow the installation instructions on\n[pytorch.org](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally) for the desired PyTorch\nversion, and then use the following command (shown for PyTorch `2.9.1`):\n\n```sh\npip install fairseq2\\\n  --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt2.9.1\u002Fcpu\n```\n\n> [!WARNING]\n> fairseq2 relies on the C++ API of PyTorch which has no API\u002FABI compatibility\n> between releases. This means **you have to install the fairseq2 variant that\n> exactly matches your PyTorch version**. Otherwise, you might experience issues\n> like immediate process crashes or spurious segfaults. For the same reason, if\n> you upgrade your PyTorch version, you must also upgrade your fairseq2\n> installation.\n\n### Nightlies\nFor macOS, we also host nightly builds on FAIR's package repository. The\nsupported variants are identical to the ones listed in *Variants* above. Once\nyou have installed the desired PyTorch version, you can use the following\ncommand to install the corresponding nightly package  (shown for PyTorch `2.9.1`):\n\n```sh\npip install fairseq2\\\n  --pre --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fnightly\u002Fpt2.9.1\u002Fcpu\n```\n\n\n## Installing on Windows\nfairseq2 does not have native support for Windows and there are no plans to\nsupport it in the foreseeable future. However, you can use fairseq2 via the\n[Windows Subsystem for Linux](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwsl\u002Fabout)\n(a.k.a. WSL) along with full CUDA support introduced in WSL 2. Please follow the\ninstructions in the [Installing on Linux](#installing-on-linux) section for a\nWSL-based installation.\n\n\n## Installing from Source\nSee [here](INSTALL_FROM_SOURCE.md).\n\n\n## Contributing\nWe always welcome contributions to fairseq2! Please refer to\n[Contribution Guidelines](CONTRIBUTING.md) to learn how to format, test, and\nsubmit your work.\n\n\n## Citing fairseq2\nIf you use fairseq2 in your research and wish to refer to it, please use the\nfollowing BibTeX entry.\n\n```\n@software{balioglu2023fairseq2,\n  author = {Can Balioglu and Alexander Erben and Martin Gleize and Artyom Kozhevnikov and Ilia Kulikov and Julien Yao},\n  title = {fairseq2},\n  url = {http:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2},\n  year = {2023},\n}\n```\n\n\n## License\nThis project is MIT licensed, as found in the [LICENSE](LICENSE) file.\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"doc\u002Fsource\u002F_static\u002Fimg\u002Flogo.svg\" width=\"150\">\u003Cbr \u002F>\n\u003C\u002Fp>\n\n# fairseq2：FAIR 序列建模工具包 2\n\n[![夜间构建](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Factions\u002Fworkflows\u002Fnightly.yaml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Factions\u002Fworkflows\u002Fnightly.yaml)\n[![PyPI 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffairseq2)](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairseq2\u002F)\n[![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\n**文档：[稳定版](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable)、[夜间版](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fnightly)** | **安装：[Linux](#installing-on-linux)、[macOS](#installing-on-macos)、[Windows](#installing-on-windows)、[源码安装](INSTALL_FROM_SOURCE.md)** | **贡献：[贡献指南](CONTRIBUTING.md)**\n\nfairseq2 是一个序列建模工具包，使研究人员能够为内容生成任务训练自定义模型。\n\n### 基于 fairseq2 的近期 FAIR 研究\n* [Omnilingual ASR：面向 1600 多种语言的开源多语言语音识别](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.09690)\n* [LLM 的离线与在线强化学习桥梁](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2506.21495)\n* [R.I.P.：通过“适者生存”提示提升模型性能](https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.18578)\n* [学习事实性推理](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.05618)\n* [多样化的偏好优化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.18101)\n* [大型概念模型：基于句子表示空间的语言建模](https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.08821)\n* [Seamless：多语言富有表现力的流式语音翻译](https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.05187)\n\n### fairseq2 与原始 fairseq 有何不同？\nfairseq2 是一个从零开始的项目，可以被视为对原始 [fairseq](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq) 的重新启动，旨在提供一个干净、模块化的 API。值得注意的是，它在设计理念上与其前身有所不同：从单体框架转变为可扩展、侵入性更小的架构，使研究人员能够独立掌控自己的项目代码库。\n\n> 由于 fairseq2 是一个全新的项目，而非对原始 fairseq 的增量更新，我们有意未将其命名为 fairseq 2，以体现其独特且独立的身份。\n\n## 特性\n* 第一方配方：用于语言模型的 [指令微调](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Ftutorials\u002Fend_to_end_fine_tuning.html) 和 [偏好优化](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Ftutorials\u002Fpreference_optimization.html)\n* 使用 DDP、FSDP 和张量并行的多 GPU、多节点 [训练](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Ftrainer.html)，支持 70B+ 参数规模的模型。\n* 原生支持 vLLM，并内置采样和束搜索序列生成器。\n* 可通过 setuptools 的 [扩展机制](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fruntime_extensions.html) 进行扩展。无需分叉或分支库即可轻松注册新模型、优化器、学习率调度器和训练单元。\n* 现代 PyTorch 工具链。采用组合性（即 torch.compile）、PyTorch FSDP 等相关特性。\n* 基于流式的高吞吐量 [数据管道 API](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fdata_pipeline.html)，使用 C++ 编写，支持语音及（即将支持）视频解码。\n* 提供程序化 [资产卡片](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fbasics\u002Fassets.html)，用于版本控制下访问模型、数据集和分词器。\n* 基于内置 *结构化* API 的灵活但确定性的配置。\n\n## 入门\n请访问我们的 [文档网站](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002F) 以了解更多关于 fairseq2 的信息。\n\n## 在 Linux 上安装\n\n### 系统依赖\nfairseq2 依赖于 [libsndfile](https:\u002F\u002Fgithub.com\u002Flibsndfile\u002Flibsndfile)，该库可在大多数 Linux 发行版中通过系统包管理器安装。对于基于 Ubuntu 的系统，请运行：\n\n```sh\nsudo apt install libsndfile1\n```\n\n同样地，在 Fedora 上，请运行：\n\n```sh\nsudo dnf install libsndfile\n```\n\n对于其他 Linux 发行版，请查阅其文档以了解如何安装软件包。\n\n### pip\n要在 Linux x86-64 上安装 fairseq2，请运行：\n\n```sh\npip install fairseq2\n```\n\n此命令将安装一个与 PyPI 上托管的 PyTorch 兼容的 fairseq2 版本。\n\n目前，我们尚未提供适用于 ARM 架构系统（如 Raspberry Pi 或 NVIDIA Jetson）的预编译包。请参阅 [源码安装](INSTALL_FROM_SOURCE.md)，了解如何在这些系统上构建和安装 fairseq2。\n\n### 变体\n除了 PyPI 之外，fairseq2 还在 FAIR 的软件包仓库中提供了针对不同 PyTorch 和 CUDA 版本的预构建包。下表展示了支持的组合。\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Cth>fairseq2\u003C\u002Fth>\n    \u003Cth>PyTorch\u003C\u002Fth>\n    \u003Cth>Python\u003C\u002Fth>\n    \u003Cth>变体*\u003C\u002Fth>\n    \u003Cth>架构\u003C\u002Fth>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>HEAD\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.8\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.7\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=3>\u003Ccode>0.6\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu126\u003C\u002Fcode>, \u003Ccode>cu128\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.6.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>cpu\u003C\u002Fcode>, \u003Ccode>cu124\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>x86_64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n*\\* cuXYZ 指的是 CUDA XY.Z（例如，cu118 表示 CUDA 11.8）*\n\n要安装特定的组合，请先按照 [pytorch.org](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally) 上的说明为所需的 PyTorch 版本进行安装，然后使用以下命令（以 PyTorch `2.9.1` 和变体 `cu126` 为例）：\n\n```sh\npip install fairseq2\\\n  --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt2.9.1\u002Fcu126\n```\n\n> [!WARNING]\n> fairseq2 依赖于 PyTorch 的 C++ API，而不同版本之间没有 API\u002FABI 兼容性。这意味着**你必须安装与你的 PyTorch 版本完全匹配的 fairseq2 变体**。否则，你可能会遇到进程立即崩溃或随机段错误等问题。出于同样的原因，如果你升级了 PyTorch 版本，你也必须同时升级 fairseq2 的安装。\n\n### 夜间构建\n对于 Linux 系统，我们还在 FAIR 的软件包仓库中提供了夜间构建版本。支持的变体与上述“变体”部分列出的相同。在安装好所需的 PyTorch 版本后，你可以使用以下命令来安装对应的夜间构建包（以 PyTorch `2.9.1` 和变体 `cu128` 为例）：\n\n```sh\npip install fairseq2\\\n  --pre --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fnightly\u002Fpt2.9.1\u002Fcu128\n```\n\n\n## 在 macOS 上安装\n\n### 系统依赖\nfairseq2 依赖于 [libsndfile](https:\u002F\u002Fgithub.com\u002Flibsndfile\u002Flibsndfile)，可以通过 Homebrew 安装：\n\n```sh\nbrew install libsndfile\n```\n\n### pip\n要在基于 ARM64（即 Apple Silicon）的 Mac 计算机上安装 fairseq2，请运行：\n\n```sh\npip install fairseq2\n```\n\n该命令将安装一个与 PyPI 上托管的 PyTorch 兼容的 fairseq2 版本。\n\n目前，我们尚未提供适用于 Intel 架构 Mac 计算机的预构建包。请参阅 [从源代码安装](INSTALL_FROM_SOURCE.md)，了解如何在 Intel 机器上构建和安装 fairseq2。\n\n### 变体\n除了 PyPI 之外，fairseq2 还在 FAIR 的软件包仓库中提供了针对不同 PyTorch 版本的预构建包。下表展示了支持的组合。\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Cth>fairseq2\u003C\u002Fth>\n    \u003Cth>PyTorch\u003C\u002Fth>\n    \u003Cth>Python\u003C\u002Fth>\n    \u003Cth>架构\u003C\u002Fth>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>HEAD\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>0.8\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>0.7\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.9.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd rowspan=2>\u003Ccode>0.6\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>2.8.0\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Ccode>2.7.1\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>>=3.10\u003C\u002Fcode>, \u003Ccode><=3.12\u003C\u002Fcode>\u003C\u002Ftd>\n      \u003Ctd>\u003Ccode>arm64\u003C\u002Fcode>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n要安装特定的组合，请先按照 [pytorch.org](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally) 上的说明为所需的 PyTorch 版本进行安装，然后使用以下命令（以 PyTorch `2.9.1` 为例）：\n\n```sh\npip install fairseq2\\\n  --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt2.9.1\u002Fcpu\n```\n\n> [!WARNING]\n> fairseq2 依赖于 PyTorch 的 C++ API，而不同版本之间没有 API\u002FABI 兼容性。这意味着**您必须安装与您的 PyTorch 版本完全匹配的 fairseq2 变体**。否则，您可能会遇到进程立即崩溃或无故段错误等问题。出于同样的原因，如果您升级了 PyTorch 版本，也必须同时升级 fairseq2 的安装。\n\n### 夜间构建\n对于 macOS，我们还在 FAIR 的软件包仓库中托管夜间构建版本。支持的变体与上述“变体”部分列出的相同。在安装好所需的 PyTorch 版本后，您可以使用以下命令来安装对应的夜间构建包（以 PyTorch `2.9.1` 为例）：\n\n```sh\npip install fairseq2\\\n  --pre --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fnightly\u002Fpt2.9.1\u002Fcpu\n```\n\n\n## 在 Windows 上安装\nfairseq2 没有对 Windows 的原生支持，并且在可预见的未来也没有计划支持。不过，您可以通过 [Windows Subsystem for Linux](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwsl\u002Fabout)（即 WSL），并在 WSL 2 中获得完整的 CUDA 支持来使用 fairseq2。请按照[在 Linux 上安装](#installing-on-linux)一节中的说明进行基于 WSL 的安装。\n\n\n## 从源代码安装\n请参阅 [这里](INSTALL_FROM_SOURCE.md)。\n\n\n## 贡献\n我们始终欢迎对 fairseq2 的贡献！请参考 [贡献指南](CONTRIBUTING.md)，了解如何格式化、测试和提交您的工作。\n\n\n## 引用 fairseq2\n如果您在研究中使用了 fairseq2 并希望引用它，请使用以下 BibTeX 条目。\n\n```\n@software{balioglu2023fairseq2,\n  author = {Can Balioglu and Alexander Erben and Martin Gleize and Artyom Kozhevnikov and Ilia Kulikov and Julien Yao},\n  title = {fairseq2},\n  url = {http:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2},\n  year = {2023},\n}\n```\n\n\n## 许可证\n本项目采用 MIT 许可证，详情请参见 [LICENSE](LICENSE) 文件。","# fairseq2 快速上手指南\n\nfairseq2 是 Meta FAIR 推出的新一代序列建模工具包，旨在为内容生成任务提供干净、模块化且可扩展的 API。它支持大规模模型训练（70B+）、多 GPU\u002F多节点分布式训练，并原生集成 vLLM 等现代 PyTorch 特性。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux (x86_64) 或 macOS (ARM64\u002FApple Silicon)\n  - *注：目前官方未提供 ARM Linux (如 Raspberry Pi) 和 Intel Mac 的预编译包，需从源码安装。*\n- **Python 版本**：3.10 - 3.12\n- **PyTorch 版本**：需与 fairseq2 变体严格匹配（见下文安装说明）\n\n### 前置依赖\nfairseq2 依赖 `libsndfile` 库进行音频处理，请先通过系统包管理器安装：\n\n**Ubuntu\u002FDebian:**\n```sh\nsudo apt install libsndfile1\n```\n\n**Fedora\u002FCentOS:**\n```sh\nsudo dnf install libsndfile\n```\n\n**macOS (使用 Homebrew):**\n```sh\nbrew install libsndfile\n```\n\n## 安装步骤\n\n### 方式一：标准安装 (推荐)\n适用于大多数用户，将安装与 PyPI 上最新稳定版 PyTorch 兼容的版本。\n\n```sh\npip install fairseq2\n```\n\n### 方式二：指定 PyTorch\u002FCUDA 版本安装\n由于 fairseq2 依赖 PyTorch 的 C++ API，**必须安装与您当前 PyTorch 版本完全匹配的 fairseq2 变体**，否则会导致崩溃。\n\n1. 首先前往 [pytorch.org](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally) 安装指定版本的 PyTorch。\n2. 根据下表选择对应的安装命令（以 PyTorch 2.9.1 + CUDA 12.6 为例）：\n\n```sh\npip install fairseq2 \\\n  --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt2.9.1\u002Fcu126\n```\n\n> **注意**：请将 URL 中的 `pt2.9.1` 和 `cu126` 替换为您实际使用的 PyTorch 版本和 CUDA 版本。\n\n### 方式三：安装夜间构建版 (Nightly)\n如需体验最新功能，可安装夜间构建版：\n\n```sh\npip install fairseq2 \\\n  --pre --extra-index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fnightly\u002Fpt2.9.1\u002Fcu128\n```\n\n## 基本使用\n\nfairseq2 的核心优势在于其模块化的数据管道和训练器。以下是一个最简化的概念示例，展示如何加载资产卡片（Asset Card）并初始化数据管道。\n\n> **提示**：完整的工作流（如指令微调、偏好优化）请参考官方文档中的 [端到端微调教程](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Ftutorials\u002Fend_to_end_fine_tuning.html)。\n\n### 1. 验证安装与查看可用资产\n在终端运行以下命令，检查安装是否成功并列出可用的模型和数据集卡片：\n\n```bash\nfseq2 asset list\n```\n\n### 2. Python 代码示例\n以下代码演示了如何程序化地访问模型配置并构建一个基础的数据处理流程骨架：\n\n```python\nfrom fairseq2.assets import default_asset_store\nfrom fairseq2.data import DataPipelineBuilder\n\n# 1. 获取默认资产存储\nasset_store = default_asset_store()\n\n# 2. 查找并加载特定的模型卡片 (例如：某个 LLM 或 ASR 模型)\n# 替换 'your_model_name' 为实际存在的模型卡片名称\ntry:\n    card = asset_store.retrieve_card(\"your_model_name\")\n    print(f\"找到模型配置：{card.name}\")\n    # 这里可以进一步加载模型权重或分词器\nexcept Exception as e:\n    print(f\"未找到指定模型或加载失败：{e}\")\n\n# 3. 构建一个简单的数据管道示例\n# fairseq2 使用基于流的 C++ 数据管道以实现高吞吐量\npipeline = (\n    DataPipelineBuilder([1, 2, 3, 4, 5])\n    .map(lambda x: x * 2)\n    .and_return(max_num_warnings=0)\n)\n\n# 遍历数据\nfor item in pipeline:\n    print(f\"处理数据：{item}\")\n```\n\n### 关键特性速览\n- **分布式训练**：原生支持 DDP, FSDP 和张量并行，无需修改大量代码即可扩展至多节点。\n- **扩展机制**：通过 `setuptools` 入口点机制，您可以注册自定义模型、优化器或学习率调度器，而无需 fork 整个库。\n- **配置管理**：所有模型、数据集和分词器均通过版本控制的 \"Asset Cards\" 进行管理，确保实验的可复现性。","某 AI 实验室团队正致力于基于 70B 参数大模型进行多语言指令微调与偏好优化，以构建高质量的垂直领域助手。\n\n### 没有 fairseq2 时\n- **架构耦合严重**：沿用旧版框架导致代码库臃肿，团队若想引入自定义优化器或新型模型结构，往往需要直接修改核心源码，引发严重的版本冲突和维护噩梦。\n- **分布式训练门槛高**：在多台服务器上利用 FSDP（完全分片数据并行）训练超大模型时，需手动编写大量样板代码来处理显存分片和通信同步，调试周期长达数周。\n- **数据流水线瓶颈**：处理海量语音和文本混合数据时，缺乏原生高效的数据加载机制，Python 端的预处理成为 GPU 计算的瓶颈，导致昂贵的算力长期处于空闲等待状态。\n- **资产版本混乱**：模型权重、数据集和分词器依赖人工管理路径，缺乏统一的版本控制接口，复现实验结果时经常因文件缺失或版本不匹配而失败。\n\n### 使用 fairseq2 后\n- **模块化扩展轻松**：借助其非侵入式架构和 setuptools 扩展机制，团队无需 Fork 主库即可独立注册自定义模型与调度器，彻底实现了业务代码与底层框架的解耦。\n- **开箱即用的大规模训练**：内置对 DDP、FSDP 及张量并行的原生支持，仅需几行配置即可启动跨节点 70B+ 模型训练，将环境搭建时间从数周缩短至数小时。\n- **高性能流式数据处理**：利用基于 C++ 编写的高吞吐数据管道 API，实现了语音解码与文本处理的流式并行，显著提升了 GPU 利用率，训练速度提升明显。\n- **程序化资产管理**：通过“资产卡（Asset Cards）”机制，团队能以编程方式版本化地访问所有模型与数据资源，确保了实验环境的绝对一致性和可复现性。\n\nfairseq2 通过现代化的模块化设计与高性能工程实现，让研究人员能从繁琐的基础设施维护中解放出来，专注于核心算法创新与模型效果提升。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_fairseq2_d4ae8abb.png","facebookresearch","Meta Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffacebookresearch_449342bd.png","",null,"https:\u002F\u002Fopensource.fb.com","https:\u002F\u002Fgithub.com\u002Ffacebookresearch",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"Python","#3572A5",85.9,{"name":85,"color":86,"percentage":87},"C++","#f34b7d",12.2,{"name":89,"color":90,"percentage":91},"CMake","#DA3434",1.1,{"name":93,"color":94,"percentage":95},"TeX","#3D6117",0.4,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.2,{"name":101,"color":102,"percentage":103},"Cuda","#3A4E3A",0.1,{"name":105,"color":106,"percentage":107},"C","#555555",0,1129,139,"2026-04-17T09:27:18","MIT","Linux, macOS","非必需（支持 CPU 和 GPU）。若使用 GPU，需 NVIDIA 显卡，支持 CUDA 12.4, 12.6, 12.8 版本。支持多卡及多节点训练，可运行 70B+ 参数模型（具体显存取决于模型大小）。","未说明",{"notes":116,"python":117,"dependencies":118},"1. fairseq2 依赖 PyTorch 的 C++ API，不同版本间不兼容，必须安装与当前 PyTorch 版本完全匹配的 fairseq2 变体（包括 CUDA 版本），否则会导致崩溃。2. Linux 系统需预先安装 libsndfile1 (Ubuntu) 或 libsndfile (Fedora)。3. macOS 仅官方支持 ARM64 (Apple Silicon) 架构，Intel Mac 需从源码编译。4. 暂不提供 ARM Linux (如 Raspberry PI, Jetson) 的预构建包，需从源码编译。",">=3.10, \u003C=3.12",[119,120],"torch (需严格匹配版本：2.6.0 - 2.9.1)","libsndfile",[14],[123,124,125,126,127],"artificial-intelligence","deep-learning","machine-learning","python","pytorch","2026-03-27T02:49:30.150509","2026-04-18T02:20:33.089021",[131,136,141,146,150,154],{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},38480,"运行 pip install fairseq2 时提示找不到 fairseq2n 依赖包怎么办？","这通常是因为默认 PyPI 源中没有对应平台的预编译 wheel 包。解决方法是手动指定 Meta 官方的索引 URL 进行安装。例如在 Linux CPU 环境下，可以使用以下命令：\npip install fairseq2 --index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Frc\u002Fpt2.5.1\u002Fcpu\u002F\n请根据你的 PyTorch 版本和硬件环境（CPU\u002FCUDA）替换 URL 中的相应部分。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fissues\u002F1",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},38481,"我的电脑只支持 CUDA 11.3 或更低版本，但 fairseq2n 要求 PyTorch 2.0+（通常需要更高 CUDA 版本），如何解决？","如果无法升级系统 CUDA 驱动，可以尝试手动下载并安装与旧版 PyTorch（如 1.13.1）兼容的 fairseq2n wheel 文件。维护者提供了特定版本的下载链接，例如针对 cu116 的版本：\nhttps:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Fpt1.13.1\u002Fcu116\u002Ffairseq2n\u002Ffairseq2n-0.1.1+cu116-cp38-cp38-manylinux2014_x86_64.whl\n下载后使用 pip install \u003C文件名> 进行本地安装。注意需确保 Python 版本匹配（如 cp38 对应 Python 3.8）。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fissues\u002F43",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},38482,"运行时出现 OSError: libsndfile is not found! 错误如何解决？","这是因为系统缺少音频处理库 libsndfile。请使用系统包管理器安装它：\n- Debian\u002FUbuntu: sudo apt install libsndfile1\n- CentOS\u002FRHEL: sudo yum install libsndfile\n- macOS (Homebrew): brew install libsndfile\n如果在 Conda 环境中遇到此问题且已安装该库，可能是 Conda 环境影响了库路径查找，尝试退出 Conda 环境或在系统原生 Python 环境中运行可能解决问题。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fissues\u002F10",{"id":147,"question_zh":148,"answer_zh":149,"source_url":135},38483,"在 M2\u002FM1 Mac (aarch64) 上安装 fairseq2 失败怎么办？","在 Apple Silicon Mac 上安装时，需确保使用支持 aarch64 架构的 wheel 包。建议通过 WSL (Windows Subsystem for Linux) 或在 macOS 上使用 Homebrew 配置好环境后，指定官方索引源安装。如果默认 pip install 失败，请尝试显式指定包含 aarch64 构建的索引 URL，或者检查是否正在使用不兼容的 Python 版本（如过新的 3.13 可能尚无对应构建），建议暂时使用 Python 3.10 或 3.11。",{"id":151,"question_zh":152,"answer_zh":153,"source_url":135},38484,"为什么在 Python 3.12 上安装 fairseq2 会出现依赖冲突错误？","某些版本的 fairseq2 与其底层 C++ 扩展 fairseq2n 之间存在严格的版本绑定关系，且在 Python 3.12 上可能尚未发布完全兼容的预编译包。如果遇到\"conflicting dependencies\"错误，建议：\n1. 尝试降级 Python 到 3.10 或 3.11；\n2. 或者使用开发版\u002F最新版，通过指定官方索引源获取最新构建：pip install fairseq2 --index-url https:\u002F\u002Ffair.pkg.atmeta.com\u002Ffairseq2\u002Fwhl\u002Frc\u002F...；\n3. 避免同时指定多个版本号，让 pip 自动解析兼容版本。",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},38485,"执行 fairseq2 lm generate --dump-config 等命令时报错怎么办？","此类错误通常由版本不匹配引起，特别是当从源码安装（pip install -e .）时，本地的 fairseq2n 版本可能与代码要求的开发版不一致。解决方法是确保安装了正确版本的 fairseq2n。如果是在开发模式下，可能需要先构建并安装匹配的 fairseq2n 组件，或者等待官方发布包含修复的新版本。检查报错日志中具体的版本要求（如 fairseq2n\u003C=0.4.0,>=0.4.0.dev0），并确认当前环境是否满足。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fissues\u002F960",[160,165,170,175,180,184,188,193,198,203,208,213],{"id":161,"version":162,"summary_zh":163,"released_at":164},306662,"v0.8.1","* 版本号已提升，以移除一个意外添加的构件，功能未受影响。","2026-03-26T18:14:00",{"id":166,"version":167,"summary_zh":168,"released_at":169},306663,"v0.8.0","## 变更内容\n\n- **破坏性变更**：Trainer、evaluator、generator、validator 和 task 从 `fairseq2.recipe` 移至 `fairseq2` 包根目录。（#1417）\n- **破坏性变更**：语言模型配方重构：`text_generate` 重命名为 `generate`，移除或重命名 SFT 配置，并更改配方配置类。（#1431、#1432、#1433）\n- **破坏性变更**：`RecipeModel` 已弃用。请改用 `.module` 直接访问模型。（#1403）\n- **破坏性变更**：`pq.ParquetDataset` 被 `pyarrow.dataset` 接口取代。（#1490）\n- **破坏性变更**：`resolve_optional` 重命名为 `maybe_resolve`。（#1462）\n- **破坏性变更**：修订了 `ModelCheckpointLoader` API。（#1475）\n- **破坏性变更**：重构了张量分片模块（嵌入、投影、FFN、注意力）。（#1476）\n- 集成 fsspec 以支持远程文件系统。检查点可通过 `--checkpoint-dir s3:\u002F\u002Fbucket\u002Fpath\u002F` 保存到并从 S3 加载。需要安装 `s3fs`。（#1126）\n- 新的 `GlobalFileSystem` 替代 `LocalFileSystem` 作为默认文件系统，根据 URI 方案调度到相应的后端。（#1126）\n- 现已支持 PyTorch 2.9.1 和 2.10（向前兼容）。PyTorch 2.9 对学习率调度器的返回类型进行了破坏性变更，现已修复。（#1477、#1491、#1456）\n- 新增面向过程编程的上下文管理器：`GangContext`、`DeviceContext`、`DataTypeContext` 和 `current_dtype`。无需再通过嵌套函数调用传递状态。（#1474、#1473、#1464）\n- `CheckpointManager`、`Optimizer` 和 `LRScheduler` 现在暴露于 `RecipeContext` 中。（#1461）\n- 支持跨进程同步加载模型和分词器资源。适用于所有进程需同时加载相同资源的场景。（#1429、#1426）\n- `CheckpointManager.register_save_hook` 允许在保存检查点时添加自定义逻辑。（#1439）\n- 配置文件现支持 `${env:\u003CNAME>}` 语法，用于插值环境变量。（#1435）\n- `--no-rich` CLI 标志可禁用富文本输出，便于日志解析。（#1421）\n- Hugging Face 导出现运行于独立进程中，并保存命令行和日志以便调试。（#1459、#1458、#1437、#1434）\n- 改进了对受保护 Hugging Face 模型的支持。（#1422）\n- 提供 `get_family` 工具函数，用于检测模型家族。（#1454）\n- Gemma3n 模型家族（E2B\u002FE4B），支持文本与音频推理及 SFT 训练。（#1496）\n- 通用 HuggingFace 模型集成：通过 `HgCausalLMAdapter` 直接加载、分片并训练任何 HuggingFace 因果语言模型，无需原生的 fairseq2 重新实现。包括 FSDP 分片、HF 分词器集成以及 SFT 配方支持。（#1479）\n- `AssetDownloadManager` 增加了 `local_only` 参数，并支持自定义下载子路径。（#1423、#1425）\n- 配方现在会设置 Python 的 `random` 和 `numpy` 种子，以提高实验可重复性。（#1419）\n- Wandb 指标记录器现尊重 Wandb 环境变量。（#1440）\n- 改进了 `share_parameters` 的实现。（#1484）\n- 修复了 `cross_entropy` 在 `reduction=\"mean\"` 时未能正确排除填充标记的问题。（#1455）\n- 修复了 `Fla","2026-03-26T14:54:52",{"id":171,"version":172,"summary_zh":173,"released_at":174},306664,"v0.7.0","## [0.7.0] - 2025年11月4日\n- `RecipeModel` 现在可以被调用，并将调用转发到 `RecipeModel.module`，以提供更简洁、更便捷的语法。\n- 新增 `get_asset_download_manager` 辅助函数，用于在过程式代码中下载资产。\n- 新增 `register_recipe_assets` 辅助函数，可用于注册配方特定的资产卡片，这些卡片不会被用户（意外）覆盖。[更多信息](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F1373)\n- 参考 API 文档已扁平化并更新，以提高可读性。\n- 经过修订的 Wav2Vec 2.0 配方已合并回主分支，现位于 `recipes\u002Fwav2vec2` 目录下。","2025-11-05T17:28:18",{"id":176,"version":177,"summary_zh":178,"released_at":179},306665,"v0.6.0","## [0.6.0] - 2025年10月7日\n- `fairseq2.sharder` 已弃用。现在，fairseq2 要求在模型工厂中应用并行策略，从而使模型作者能够完全控制并行化在各自模型中的应用方式。[更多信息](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F1349)\n- `Gangs` 现在可以作为上下文管理器使用，并新增了 `maybe_get_current_gangs()` 辅助函数。此功能在过程式编程中尤为有用，因为它消除了在每次函数调用中传递 `Gangs` 实例的需要。\n  [更多信息](https:\u002F\u002Ffacebookresearch.github.io\u002Ffairseq2\u002Fstable\u002Fconcepts\u002Fgang.html#how-to-use-gangs-in-deeply-nested-functions)\n- LLaMA 4 Scout 模型的实验性实现现已可用。\n- Recipe 命令行界面现支持新的 `--no-exit-on-error` 标志，允许对 recipe 进程进行事后调试。[更多信息](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F1337)\n- 优化器和学习率调度器的 recipe 配置现支持多个参数组。这对于需要多种学习率才能训练的模型（如 GAN 模型）尤其方便。[更多信息](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F1332)\n- `regime.save_model_only` recipe 选项现接受 `'all'` 和 `'all_but_last'` 作为布尔值的替代选项。将该选项设置为 `'all'` 等同于 `True`，表示在检查点保存时仅保存模型状态。这对于短期训练任务非常有益，因为用户通常不打算恢复训练，但需要频繁获取模型快照以进行评估。在此模式下，检查点保存速度更快，且通过避免存储训练器、优化器和数据读取器的状态来节省磁盘空间。`'all_but_last'` 选项与 `'all'` 类似，区别在于仅最后一个检查点会保存完整状态，而所有之前的检查点则仅保存模型状态，如同 `'all'` 模式一样。如果用户不计划从之前的检查点继续训练，则此选项有助于避免不必要的磁盘空间占用。\n- Weights & Biases 指标记录器的默认恢复模式已从 `'allow'` 更改为 ``None``，以避免在恢复被抢占的任务时出现可忽略的噪声警告。","2025-10-30T19:49:28",{"id":181,"version":182,"summary_zh":76,"released_at":183},306666,"v0.5.2","2025-09-09T19:17:39",{"id":185,"version":186,"summary_zh":76,"released_at":187},306667,"v0.5.1","2025-09-05T16:27:47",{"id":189,"version":190,"summary_zh":191,"released_at":192},306668,"v0.4.4","- 修复 LLaMA 3 分词器加载错误","2025-02-24T15:59:46",{"id":194,"version":195,"summary_zh":196,"released_at":197},306669,"v0.4.3","错误修复","2025-02-16T00:18:32",{"id":199,"version":200,"summary_zh":201,"released_at":202},306670,"v0.4.0","## 变更内容\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F942 中禁用数字证明检查\n* 由 @zyaoj 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F940 中增强位置编码器的单元测试\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F943 中升级至 v0.4.0dev0 版本\n* 由 @MartinGleize 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F944 中修复 Llama 检查点转换时因缺少 'model' 键而错误触发的错误\n* 由 @antoine-tran 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F945 中使 Jepa 加载器更加灵活\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F946 中引入 RuntimeContext\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F947 中修订库的设置\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F948 中引入 SequenceGeneratorHandler\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F949 中改进命令行界面\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F950 中进行细微更新\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F951 中将 EarlyStopper 移至 recipes 目录\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F952 中将控制台访问器移至 recipes.utils.rich\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F953 中修订 fairseq2.optim\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F954 中修订学习率调度器\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F955 中修订数据集模块\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F956 中重构数据集配置\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F957 中扩展 VocabularyInfo 数据类\n* 由 @MartinGleize 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F936 中添加用于为 vLLM 写入 Llama 的 Hugging Face 格式 config.json 文件的脚本\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F959 中从 Hugging Face 配置配方中移除 setup_fairseq2\n* 由 @uralik 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F958 中使用预计算的参考分数训练 DPO\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F962 中修复 PEP 440 版本号中的 dev 标记问题\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F961 中修复 dump-config 的 bug\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F963 中修复 SamplerHandlers 中的 config_kls bug\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F965 中重构模型配置\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F968 中将批处理策略移至 DataReadConfig\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F972 中进行细微更新\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F973 中修复 LLaMA 检查点问题\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F974 中强制执行正确的包导入路径\n* 允许训练检查点","2025-02-08T13:34:30",{"id":204,"version":205,"summary_zh":206,"released_at":207},306671,"v0.2.0","请参阅 [变更日志](CHANGELOG.md)。\n\n## 变更内容\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F23 中将版本号提升至 v0.2.0+devel\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F24 中修复 CI 错误\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F25 中对 Markdown 进行细微改进\n* 由 @light1726 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F19 中实现 Llama 模型\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F26 中将 SwiGLU FFN 重构为 GLU FFN\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F27 中重构 upgrade_fairseq_checkpoint 函数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F30 中在安装说明中添加独立安装选项\n* 由 @chaoweihuang 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F28 中添加 LLaMA-2 实现\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F32 中对 LLaMA 和 GQA 进行细微改进\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F34 中更新变更日志和 README 文件\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F33 中修订错误信息和对象表示\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F35 中强制要求仅限关键字参数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F37 中再次修订仅限关键字参数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F38 中更新 S2T Conformer 架构名称\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F39 中改进层输出钩子 API\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F40 中在 LLaMA 分词器加载器中接受资产卡片\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F41 中在 ModelLoader 中引入 restict_checkpoints 参数\n* 由 @chaoweihuang 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F44 中修复 w2vbert 加载器中的模块名称\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F46 中修复 MHA 位置编码器中的 state_bag 参数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F45 中引入 to_bool_padding_mask 函数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F47 中引入 pad_sequence 函数\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F49 中将 upgrade_checkpoint 重命名为 convert_checkpoint\n* 由 @kauterry 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F52 中修复 apply_padding_mask() 在 seqs.ndim == 2 的特殊情况下的问题\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F53 中更新关于“倍数”的错误信息\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F54 中公开 DynamicLossScaler 类\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F57 中完成 LLaMA 分词器的实现\n* 由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F59 中修复因果掩码标志位\n* 由 @cbalioglu","2023-11-29T14:58:08",{"id":209,"version":210,"summary_zh":211,"released_at":212},306672,"v0.1.1","请参阅 [变更日志](CHANGELOG.md)。\n\n## 提交历史\n* 使 tbb 成为可选依赖，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F4 中完成\n* 使用非类型化的 Storage.data 替代 unsafe_data，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F5 中完成\n* 在不使用 tbb 时移除 tbb 链接，由 @vanclevstik 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F8 中完成\n* 改进 CI 流水线，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F11 中完成\n* 添加对整数 sample_rate 的支持，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F12 中完成\n* 添加对 ARM64 平台 Homebrew 的支持，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F13 中完成\n* 在文档中添加法律链接，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F14 中完成\n* 对 CI 进行细微改进，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F17 中完成\n* 改进文档构建流程，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F18 中完成\n* 更新 Markdown 格式的文档，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F21 中完成\n* 发布 v0.1.1 版本，由 @cbalioglu 在 https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairseq2\u002Fpull\u002F22 中完成","2023-09-07T21:12:14",{"id":214,"version":215,"summary_zh":216,"released_at":217},306673,"v0.1.0","fairseq2 初次发布","2023-08-22T10:34:15"]