[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--notebooks":3,"tool-huggingface--notebooks":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",138956,2,"2026-04-05T11:33:21",[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":71,"owner_location":71,"owner_email":71,"owner_twitter":75,"owner_website":79,"owner_url":80,"languages":81,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":103,"env_deps":104,"category_tags":108,"github_topics":71,"view_count":23,"oss_zip_url":71,"oss_zip_packed_at":71,"status":109,"created_at":110,"updated_at":111,"faqs":112,"releases":143},3241,"huggingface\u002Fnotebooks","notebooks","Notebooks using the Hugging Face libraries 🤗","notebooks 是 Hugging Face 官方提供的一系列交互式代码示例集合，旨在帮助开发者快速上手其强大的开源库。这些笔记本文件（通常为 Jupyter Notebook 格式）涵盖了从基础数据处理、模型加载到高级微调与推理的全流程实战演示。\n\n在人工智能开发中，面对庞大的模型库和复杂的 API 接口，初学者往往难以找到清晰的入门路径，而资深研究者也需要高效的代码模板来验证新想法。notebooks 正是为了解决这一痛点而生，它将抽象的文档转化为可运行、可修改的代码实例，让用户能够“所见即所得”地理解技术细节，大幅降低了学习曲线和试错成本。\n\n这套资源非常适合 AI 研究人员、数据科学家以及希望深入探索大语言模型的开发者使用。无论是想要快速复现论文结果，还是寻找特定任务的实现灵感，都能在这里找到对应的参考方案。其核心亮点在于紧密贴合 Hugging Face Transformers、Datasets 等核心库的最新特性，确保提供的代码不仅规范且具备时效性。通过直接运行这些示例，用户可以轻松掌握如何利用开源社区的力量构建自己的 AI 应用，是连接理论知识与工程实践的理想桥梁。","# notebooks\nNotebooks using the Hugging Face libraries 🤗\n",null,"# Hugging Face Notebooks 快速上手指南\n\n本指南帮助开发者快速使用基于 Hugging Face 库的示例 Notebook，进行模型探索与开发。\n\n## 环境准备\n\n*   **系统要求**：支持 Linux、macOS 或 Windows（建议 WSL2）。\n*   **前置依赖**：\n    *   Python 3.8 或更高版本。\n    *   推荐安装 `pip` 包管理工具。\n    *   （可选）Jupyter Lab 或 Jupyter Notebook 环境。\n*   **网络建议**：由于 Hugging Face 资源主要托管在海外，国内用户建议配置镜像源或使用代理以确保下载速度。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    获取官方提供的 Notebook 示例代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks.git\n    cd notebooks\n    ```\n\n2.  **安装核心依赖**\n    进入对应的任务目录（例如 `examples\u002Ftranslation`），并安装所需库。为加速下载，推荐使用清华或阿里镜像源：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *注：若根目录无统一 `requirements.txt`，请根据具体 Notebook 头部说明安装 `transformers`、`datasets` 和 `accelerate`：*\n    ```bash\n    pip install transformers datasets accelerate -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **启动 Jupyter 环境**\n    ```bash\n    jupyter lab\n    ```\n\n## 基本使用\n\n1.  **选择示例**：在 Jupyter 界面中，浏览 `examples` 文件夹，找到你感兴趣的任务目录（如 `text-classification`、`question-answering` 等）。\n2.  **运行 Notebook**：打开对应的 `.ipynb` 文件。\n3.  **执行代码**：\n    *   大多数示例已预置好加载模型和数据的代码。\n    *   依次点击单元格（Cell）并按 `Shift + Enter` 运行。\n    *   以下是一个最简化的文本分类调用示例（可直接在任意单元格测试）：\n\n    ```python\n    from transformers import pipeline\n\n    # 加载预训练的文本分类模型\n    classifier = pipeline(\"sentiment-analysis\")\n\n    # 进行预测\n    result = classifier(\"I love using Hugging Face models!\")\n    print(result)\n    ```\n\n4.  **自定义实验**：参考示例逻辑，替换模型名称（`model_name`）或输入数据，即可快速验证其他开源模型效果。","某电商数据团队正急需构建一个能自动识别用户评论情感倾向的模型，以快速响应市场反馈。\n\n### 没有 notebooks 时\n- 开发人员需在本地反复配置复杂的 Hugging Face 环境，常因依赖冲突导致数小时无法启动代码。\n- 每次调整预训练模型参数或更换数据集后，必须重新运行整个脚本，难以即时观察中间层的输出变化。\n- 团队成员间共享实验进度只能靠发送截图或零散的代码片段，复现他人的结果极其困难且容易出错。\n- 缺乏可视化的交互界面，非算法背景的运营人员完全无法参与模型效果的初步验证与调试。\n\n### 使用 notebooks 后\n- 直接调用云端预置好 Hugging Face 库的 notebooks 环境，一键启动即可开始编写代码，彻底消除环境配置烦恼。\n- 支持分单元格执行，修改超参数后仅重跑相关区块，秒级查看模型预测结果与损失曲线，大幅加速迭代节奏。\n- 完整的代码、运行输出及可视化图表均保留在同一文档中，团队成员可轻松克隆并复现彼此的实验全过程。\n- 提供友好的交互界面，运营人员可直接在浏览器中输入测试文本，实时查看模型对情感的正负向判断，降低协作门槛。\n\nnotebooks 通过将环境、代码与交互体验深度融合，让基于 Hugging Face 的 AI 模型开发从繁琐的配置泥潭转变为流畅的探索过程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_notebooks_1cadb06a.png","huggingface","Hugging Face","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuggingface_90da21a4.png","The AI community building the future.","https:\u002F\u002Fhuggingface.co\u002F","https:\u002F\u002Fgithub.com\u002Fhuggingface",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.9,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.1,{"name":91,"color":92,"percentage":93},"Shell","#89e051",0,{"name":95,"color":96,"percentage":93},"Makefile","#427819",4500,1807,"2026-04-03T23:33:10","Apache-2.0",1,"","未说明",{"notes":105,"python":103,"dependencies":106},"README 内容极其简略，仅表明这是使用 Hugging Face 库的 Notebook 集合，未提供具体的运行环境、硬件配置或依赖版本要求。实际需求取决于 Notebook 中具体运行的模型和任务。",[107],"huggingface_hub",[13],"ready_partial","2026-03-27T02:49:30.150509","2026-04-06T05:18:04.393035",[113,118,123,128,133,138],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},14920,"调用 datasets.load_metric() 函数时出现 AttributeError: 'add_start_docstrings' 错误怎么办？","这通常是因为通过 conda 安装的 datasets 库版本过旧（如 1.2.1），与最新的度量脚本不兼容。解决方法是卸载 conda 安装的版本，然后使用 pip 安装最新版本（如 1.5.0 或更高）：\n1. 卸载旧版本：卸载 conda 安装的 datasets。\n2. 安装新版本：运行 pip install datasets --upgrade。\n注意：虽然不建议混用 conda 和 pip，但在 conda 渠道更新前这是必要的临时方案。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F10",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},14921,"在 GPU Colab 实例上运行 Notebook 时遇到 'undefined symbol' 运行时错误如何解决？","该错误通常由 PyTorch 或 torch_xla 的 wheel 包版本冲突引起。维护者已通过修复 Notebook 中的安装脚本来解决此问题。如果遇到类似问题，请确保：\n1. 拉取最新的 Notebook 代码以获取修复后的安装命令。\n2. 检查是否正确安装了 accelerate 库（某些 Notebook 需要单独运行 pip install accelerate）。\n3. 避免手动指定可能与当前环境冲突的特定 torch_xla wheel 地址，除非必要。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F120",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},14922,"使用 LoRA 微调 BLOOM 模型时在 SageMaker 上遇到 RuntimeError（输入维度不匹配）怎么办？","此错误通常是由于 peft 库的版本不兼容导致的。解决方案是将 peft 库升级到 0.3.0 或更高版本。此外，请检查 requirements.txt 中指定的 transformers 版本与 huggingface_estimator 中配置的 transformers_version 是否一致，版本不一致也可能导致训练失败。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F378",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},14923,"在 Colab 上运行视频分类 Notebook 时遇到 RandomCrop 参数错误或训练报错如何修复？","这是 Notebook 代码中的已知问题，已被官方修复。请确保您使用的是最新版本的 Notebook 代码（参考 PR #351）。主要修复包括修正了数据预处理中 RandomCrop 的参数设置（应使用 feature_extractor.crop_size 或正确的尺寸元组），以及解决了特定 batch_size 下的训练兼容性错误。不要手动修改旧版代码，直接同步最新仓库即可。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F326",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},14924,"运行视频分类微调 Notebook 时遇到 upsample_bilinear2d 参数无效的错误怎么办？","该错误出现在使用 PyTorch 1.11 或 nightly 版本时，原因是代码中缺少对 resize_to 变量的正确定义。需要在代码中补充以下逻辑来根据 image_processor.size 动态计算高度和宽度：\nif \"shortest_edge\" in image_processor.size:\n    height = width = image_processor.size[\"shortest_edge\"]\nelse:\n    height = image_processor.size[\"height\"]\n    width = image_processor.size[\"width\"]\nresize_to = (height, width)\n添加此代码段后重新运行即可解决。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F258",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},14925,"为什么我修改了 Notebook 文件并提交 PR，但更改随后被覆盖了？","这是因为该仓库中的 Notebook 是自动从官方文档（docs）生成的。直接修改 .ipynb 文件会被文档构建工具（doc-builder）的下一次生成过程覆盖。如果您想修正教程内容，应该去修改源文档文件（通常位于 docs 目录下），而不是直接修改 Notebook 文件。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fnotebooks\u002Fissues\u002F423",[]]