[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-higgsfield-ai--higgsfield":3,"tool-higgsfield-ai--higgsfield":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":103,"env_os":104,"env_gpu":105,"env_ram":106,"env_deps":107,"category_tags":113,"github_topics":114,"view_count":103,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":124,"updated_at":125,"faqs":126,"releases":127},1128,"higgsfield-ai\u002Fhiggsfield","higgsfield","Fault-tolerant, highly scalable GPU orchestration, and a machine learning framework designed for training models with billions to trillions of parameters","higgsfield 是一款专为训练百亿至万亿参数大模型设计的开源 GPU 编排与机器学习框架。它致力于解决多节点分布式训练中的环境配置复杂、资源调度困难及实验管理混乱等痛点，让大规模模型训练过程更加顺畅。\n\n对于从事大语言模型训练的开发者、研究人员及 AI 工程师而言，higgsfield 提供了强大的支持。它原生支持 ZeRO-3 DeepSpeed 和 PyTorch FSDP 分片技术，能够高效处理万亿级参数的显存需求。通过深度集成 GitHub 与 GitHub Actions，higgsfield 实现了代码的自动部署、实验队列管理及检查点保存，用户无需手动维护复杂的集群环境或面对数百个配置参数的困扰。\n\n此外，higgsfield 遵循标准 PyTorch 工作流，允许灵活整合自定义分片逻辑，同时有效隔离不同项目的依赖版本，消除“环境地狱”。无论是本地 Ubuntu 服务器还是主流云服务商节点，higgsfield 都能帮助用户以简洁的方式启动和监控实验，显著提升研发效率。","# higgsfield - multi node training without crying\n\n\nHiggsfield is an open-source, fault-tolerant, highly scalable GPU orchestration, and a machine learning framework designed for training models with billions to trillions of parameters, such as Large Language Models (LLMs).\n\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fhiggsfield.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fhiggsfield)\n\n![architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhiggsfield-ai_higgsfield_readme_cca2130e0359.png)\n\nHiggsfield serves as a GPU workload manager and machine learning framework with five primary functions:\n\n1. Allocating exclusive and non-exclusive access to compute resources (nodes) to users for their training tasks.\n2. Supporting ZeRO-3 deepspeed API and fully sharded data parallel API of PyTorch, enabling efficient sharding for trillion-parameter models.\n3. Offering a framework for initiating, executing, and monitoring the training of large neural networks on allocated nodes.\n4. Managing resource contention by maintaining a queue for running experiments.\n5. Facilitating continuous integration of machine learning development through seamless integration with GitHub and GitHub Actions.\n   Higgsfield streamlines the process of training massive models and empowers developers with a versatile and robust toolset.\n## Install\n\n```bash\n$ pip install higgsfield==0.0.3\n```\n\n\n\n## Train example\n\nThat's all you have to do in order to train LLaMa in a distributed setting:\n\n```python\nfrom higgsfield.llama import Llama70b\nfrom higgsfield.loaders import LlamaLoader\nfrom higgsfield.experiment import experiment\n\nimport torch.optim as optim\nfrom alpaca import get_alpaca_data\n\n@experiment(\"alpaca\")\ndef train(params):\n    model = Llama70b(zero_stage=3, fast_attn=False, precision=\"bf16\")\n\n    optimizer = optim.AdamW(model.parameters(), lr=1e-5, weight_decay=0.0)\n\n    dataset = get_alpaca_data(split=\"train\")\n    train_loader = LlamaLoader(dataset, max_words=2048)\n\n    for batch in train_loader:\n        optimizer.zero_grad()\n        loss = model(batch)\n        loss.backward()\n        optimizer.step()\n\n    model.push_to_hub('alpaca-70b')\n```\n\n## How it's all done?\n\n1. We install all the required tools in your server (Docker, your project's deploy keys, higgsfield binary).\n2. Then we generate deploy & run workflows for your experiments.\n3. As soon as it gets into Github, it will automatically deploy your code on your nodes.\n4. Then you access your experiments' run UI through Github, which will launch experiments and save the checkpoints.\n\n## Design\n\nWe follow the standard pytorch workflow. Thus you can incorporate anything besides what we provide, `deepspeed`, `accelerate`, or just implement your custom `pytorch` sharding from scratch.\n\n**Enviroment hell**\n\nNo more different versions of pytorch, nvidia drivers, data processing libraries.\nYou can easily orchestrate experiments and their environments, document and track the specific versions and configurations of all dependencies to ensure reproducibility.\n\n**Config hell**\n\nNo need to define [600 arguments for your experiment](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers\u002Fblob\u002Faaccf1844eccbb90cc923378e3c37a6b143d03fb\u002Fsrc\u002Ftransformers\u002Ftraining_args.py#L161). No more [yaml witchcraft](https:\u002F\u002Fhydra.cc\u002F).\nYou can use whatever you want, whenever you want. We just introduce a simple interface to define your experiments. We have even taken it further, now you only need to design the way to interact.\n\n## Compatibility\n\n**We need you to have nodes with:**\n\n- Ubuntu\n- SSH access\n- Non-root user with sudo privileges (no-password is required)\n\n**Clouds we have tested on:**\n\n- Azure\n- LambdaLabs\n- FluidStack\n\nFeel free to open an issue if you have any problems with other clouds.\n\n## Getting started\n\n#### [Setup](.\u002Fsetup.md)\n\nHere you can find the quick start guide on how to setup your nodes and start training.\n\n- [Initialize the project](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#initialize-the-project)\n- [Setup the environment](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#setup-the-environment)\n- [Setup git](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#setup-git)\n- [Time to setup your nodes!](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#time-to-setup-your-nodes)\n- [Run your very first experiment](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#run-your-very-first-experiment)\n- [Fasten your seatbelt, it's time to deploy!](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#fasten-your-seatbelt-its-time-to-deploy)\n\n#### [Tutorial](.\u002Ftutorial.md)\n\nAPI for common tasks in Large Language Models training.\n\n- [Working with distributed model](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#working-with-distributed-model)\n- [Preparing Data](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#preparing-data)\n- [Optimizing the Model Parameters](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#optimizing-the-model-parameters)\n- [Saving Model](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#saving-model)\n- [Training stabilization techniques](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#training-stabilization-techniques)\n- [Monitoring](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#monitoring)\n\n| Platform                                                          | Purpose                                                           | Estimated Response Time | Support Level   |\n| ----------------------------------------------------------------- | ----------------------------------------------------------------- | ----------------------- | --------------- |\n| [Github Issues](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fissues\u002F) | Bug reports, feature requests, install issues, usage issues, etc. | \u003C 1 day                 | Higgsfield Team |\n| [Twitter](https:\u002F\u002Ftwitter.com\u002Fhiggsfield_ai\u002F)                     | For staying up-to-date on new features.                           | Daily                   | Higgsfield Team |\n| [Website](https:\u002F\u002Fhiggsfield.ai\u002F)                                 | Discussion, news.                                                 | \u003C 2 days                | Higgsfield Team |\n\n","# higgsfield - 多节点训练，无需烦恼\n\n\nHiggsfield 是一个开源、容错性强、高度可扩展的 GPU 编排工具及机器学习框架，专为训练拥有数十亿到数万亿参数的模型而设计，例如大型语言模型（LLMs）。\n\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fhiggsfield.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fhiggsfield)\n\n![architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhiggsfield-ai_higgsfield_readme_cca2130e0359.png)\n\nHiggsfield 既是 GPU 工作负载管理器，也是一款具备五大核心功能的机器学习框架：\n\n1. 为用户分配计算资源（节点）的独占或非独占访问权限，以支持其训练任务。\n2. 支持 ZeRO-3 deepspeed API 和 PyTorch 的全切片数据并行 API，从而实现对数万亿参数模型的高效分片。\n3. 提供在已分配节点上启动、执行和监控大型神经网络训练的框架。\n4. 通过维护实验运行队列来管理资源争用问题。\n5. 通过与 GitHub 和 GitHub Actions 的无缝集成，促进机器学习开发的持续集成。\n   Higgsfield 简化了大规模模型训练流程，为开发者提供了一套多功能且强大的工具集。\n## 安装\n\n```bash\n$ pip install higgsfield==0.0.3\n```\n\n\n\n## 训练示例\n\n要在分布式环境中训练 LLaMa 模型，您只需执行以下操作：\n\n```python\nfrom higgsfield.llama import Llama70b\nfrom higgsfield.loaders import LlamaLoader\nfrom higgsfield.experiment import experiment\n\nimport torch.optim as optim\nfrom alpaca import get_alpaca_data\n\n@experiment(\"alpaca\")\ndef train(params):\n    model = Llama70b(zero_stage=3, fast_attn=False, precision=\"bf16\")\n\n    optimizer = optim.AdamW(model.parameters(), lr=1e-5, weight_decay=0.0)\n\n    dataset = get_alpaca_data(split=\"train\")\n    train_loader = LlamaLoader(dataset, max_words=2048)\n\n    for batch in train_loader:\n        optimizer.zero_grad()\n        loss = model(batch)\n        loss.backward()\n        optimizer.step()\n\n    model.push_to_hub('alpaca-70b')\n```\n\n## 全部如何完成？\n\n1. 我们会在您的服务器上安装所有必需的工具（Docker、您项目的部署密钥、higgsfield 二进制文件）。\n2. 那么我们会为您的实验生成部署与运行工作流。\n3. 一旦代码进入 GitHub，它将自动在您的节点上部署代码。\n4. 接着您可以通过 GitHub 访问实验运行界面，该界面会启动实验并保存检查点。\n\n## 设计理念\n\n我们遵循标准的 PyTorch 工作流程。因此，除了我们提供的工具外，您还可以整合 `deepspeed`、`accelerate`，或者从头开始实现自定义的 `pytorch` 分片逻辑。\n\n**环境地狱**\n\n不再有不同版本的 PyTorch、NVIDIA 驱动程序以及数据处理库的问题。\n您可以轻松编排实验及其环境，记录并追踪所有依赖项的具体版本和配置，以确保实验的可重复性。\n\n**配置地狱**\n\n无需再为您的实验定义 [600 个参数](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers\u002Fblob\u002Faaccf1844eccbb90cc923378e3c37a6b143d03fb\u002Fsrc\u002Ftransformers\u002Ftraining_args.py#L161)。也不必再进行 [yaml 黑魔法](https:\u002F\u002Fhydra.cc\u002F)。\n您可以随心所欲地使用任何工具。我们仅提供一个简单的接口来定义您的实验。我们甚至更进一步，现在您只需设计交互方式即可。\n\n## 兼容性\n\n**您的节点需要满足以下条件：**\n\n- Ubuntu 系统\n- SSH 访问权限\n- 非 root 用户且具有 sudo 权限（需设置免密码）\n\n**我们已测试过的云平台：**\n\n- Azure\n- LambdaLabs\n- FluidStack\n\n如果您在其他云平台上遇到问题，请随时提交 issue。\n\n## 开始使用\n\n#### [设置](.\u002Fsetup.md)\n\n在这里您可以找到快速入门指南，了解如何设置节点并开始训练。\n\n- [初始化项目](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#initialize-the-project)\n- [设置环境](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#setup-the-environment)\n- [设置 git](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#setup-git)\n- [是时候设置您的节点了！](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#time-to-setup-your-nodes)\n- [运行您的第一个实验](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#run-your-very-first-experiment)\n- [系好安全带，该部署了！](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Fsetup.md#fasten-your-seatbelt-its-time-to-deploy)\n\n#### [教程](.\u002Ftutorial.md)\n\n用于大型语言模型训练中常见任务的 API。\n\n- [处理分布式模型](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#working-with-distributed-model)\n- [准备数据](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#preparing-data)\n- [优化模型参数](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#optimizing-the-model-parameters)\n- [保存模型](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#saving-model)\n- [训练稳定性技术](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#training-stabilization-techniques)\n- [监控](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fblob\u002Fmain\u002Ftutorial.md#monitoring)\n\n| 平台                                                          | 目的                                                           | 预计响应时间 | 支持级别   |\n| ----------------------------------------------------------------- | ----------------------------------------------------------------- | ----------------------- | --------------- |\n| [Github Issues](https:\u002F\u002Fgithub.com\u002Fhiggsfield\u002Fhiggsfield\u002Fissues\u002F) | Bug 报告、功能请求、安装问题、使用问题等                       | \u003C 1 天                 | Higgsfield 团队 |\n| [Twitter](https:\u002F\u002Ftwitter.com\u002Fhiggsfield_ai\u002F)                     | 及时了解新功能                                                 | 每日                   | Higgsfield 团队 |\n| [网站](https:\u002F\u002Fhiggsfield.ai\u002F)                                 | 讨论、新闻                                                     | \u003C 2 天                | Higgsfield 团队 |","# Higgsfield 快速上手指南\n\n## 简介\nHiggsfield 是一个开源、容错且高度可扩展的 GPU 编排及机器学习框架，专为训练数十亿至数万亿参数的大规模模型（如大型语言模型 LLM）而设计。它简化了大规模模型的训练流程，支持 ZeRO-3 DeepSpeed API 和 PyTorch 完全分片数据并行 API，并通过与 GitHub 的无缝集成实现持续集成。\n\n## 环境准备\n在开始之前，请确保您的计算节点满足以下要求：\n\n- **操作系统**：Ubuntu\n- **访问权限**：具备 SSH 访问权限\n- **用户权限**：非 root 用户，但需拥有 sudo 权限（建议配置免密码 sudo）\n- **云服务商**：已在 Azure、LambdaLabs、FluidStack 上测试通过\n- **前置工具**：Docker、Git（用于代码部署与版本控制）\n\n> **注意**：Higgsfield 会自动在服务器上安装所需工具（如 Docker、部署密钥等），但您需要预先准备好符合上述条件的节点。详细的节点初始化请参考官方 [Setup 文档](.\u002Fsetup.md)。\n\n## 安装步骤\n在本地开发环境或管理终端中，使用 pip 安装 Higgsfield。为了提升国内下载速度，建议使用清华源或阿里云源。\n\n```bash\n# 默认安装\n$ pip install higgsfield==0.0.3\n\n# 推荐使用国内镜像加速\n$ pip install higgsfield==0.0.3 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\nHiggsfield 遵循标准的 PyTorch 工作流。以下是一个在分布式环境下训练 LLaMa 模型的最小化示例。该脚本定义了实验逻辑，随后将通过 GitHub Actions 自动部署到节点上运行。\n\n```python\nfrom higgsfield.llama import Llama70b\nfrom higgsfield.loaders import LlamaLoader\nfrom higgsfield.experiment import experiment\n\nimport torch.optim as optim\nfrom alpaca import get_alpaca_data\n\n@experiment(\"alpaca\")\ndef train(params):\n    model = Llama70b(zero_stage=3, fast_attn=False, precision=\"bf16\")\n\n    optimizer = optim.AdamW(model.parameters(), lr=1e-5, weight_decay=0.0)\n\n    dataset = get_alpaca_data(split=\"train\")\n    train_loader = LlamaLoader(dataset, max_words=2048)\n\n    for batch in train_loader:\n        optimizer.zero_grad()\n        loss = model(batch)\n        loss.backward()\n        optimizer.step()\n\n    model.push_to_hub('alpaca-70b')\n```\n\n### 核心流程说明\n1. **定义实验**：使用 `@experiment` 装饰器标记训练函数。\n2. **编写逻辑**：像普通 PyTorch 一样编写模型加载、优化器设置和数据迭代逻辑。\n3. **提交代码**：将代码推送到 GitHub，Higgsfield 会自动触发部署工作流。\n4. **监控与保存**：通过 GitHub 界面访问实验运行 UI，查看进度并保存检查点。\n\n更多详细教程（包括数据准备、参数优化、监控等）请参考官方 [Tutorial 文档](.\u002Ftutorial.md)。","某 AI 初创团队计划在多机 GPU 集群上分布式微调一个 70B 参数的大语言模型，以优化金融领域的问答系统。\n\n### 没有 higgsfield 时\n- 团队成员需手动逐台配置服务器环境，PyTorch 版本或驱动差异常导致“环境地狱”，浪费大量调试时间。\n- 多节点通信脆弱，一旦某个节点故障，整个训练任务立即中断，且难以从断点恢复，算力严重浪费。\n- 实验配置依赖冗长的 YAML 文件，管理数百个超参数如同“巫术”，版本追踪和复现极其困难。\n- 缺乏集中监控手段，开发者需 SSH 登录各节点查看日志，无法直观掌握训练进度和检查点状态。\n\n### 使用 higgsfield 后\n- higgsfield 自动完成节点初始化与环境编排，通过 Docker 隔离确保所有计算资源依赖版本严格一致。\n- 框架内置高可用机制，支持 ZeRO-3 分片，单节点故障可自动恢复训练，保障长周期任务稳定性。\n- 采用简洁的 Python 装饰器定义实验，彻底摒弃复杂配置文件，实现代码即配置，提升迭代效率。\n- 无缝集成 GitHub Actions 与 Web UI，代码推送即触发部署，开发者可在浏览器中实时监控实验全流程。\n\nhiggsfield 将复杂的大规模模型训练转化为标准化的 Git 工作流，让开发者专注于算法创新而非基础设施运维。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhiggsfield-ai_higgsfield_0c9bb4f2.png","higgsfield-ai","Higgsfield Inc.","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhiggsfield-ai_1fd328a6.png","AI lab",null,"higgsfield.ai","https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",82.3,{"name":88,"color":89,"percentage":90},"Python","#3572A5",16.2,{"name":92,"color":93,"percentage":94},"Jinja","#a52a22",1.5,{"name":96,"color":97,"percentage":98},"Dockerfile","#384d54",0,3569,593,"2026-04-04T14:27:38","Apache-2.0",4,"Ubuntu","需要 NVIDIA GPU（具体显存及 CUDA 版本未说明）","未说明",{"notes":108,"python":106,"dependencies":109},"1. 计算节点必须为 Ubuntu 系统；2. 需具备 SSH 访问权限；3. 需非 root 用户且配置免密 sudo 权限；4. 使用 Docker 管理环境以确保依赖一致性；5. 需关联 GitHub 账号以实现自动化部署与实验监控；6. 支持 ZeRO-3 DeepSpeed 及 PyTorch FSDP 分片策略。",[110,111,112,67],"torch","deepspeed","accelerate",[26,13],[115,116,117,118,119,120,121,122,123],"cluster-management","deep-learning","distributed","llama","llama2","llm","machine-learning","mlops","pytorch","2026-03-27T02:49:30.150509","2026-04-06T08:46:20.080671",[],[128],{"id":129,"version":130,"summary_zh":131,"released_at":132},114316,"v0.0.4-rc","## What's Changed\r\n* fix(action-builder): default field gen by @higgsfield in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F33\r\n* add: specify invoker version if needed by @higgsfield in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F34\r\n* build(deps): bump asyncssh from 2.14.0 to 2.14.1 by @dependabot in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F35\r\n* merge: dev by @arpanetus in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F36\r\n* Feat\u002Finvoker exec of master host of no python by @arpanetus in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F42\r\n\r\n## New Contributors\r\n* @higgsfield made their first contribution in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F33\r\n* @arpanetus made their first contribution in https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fpull\u002F36\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fhiggsfield-ai\u002Fhiggsfield\u002Fcommits\u002Fv0.0.4-rc","2024-03-23T13:01:18"]