[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-labmlai--inspectus":3,"tool-labmlai--inspectus":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":113,"forks":114,"last_commit_at":115,"license":116,"difficulty_score":104,"env_os":117,"env_gpu":117,"env_ram":117,"env_deps":118,"category_tags":124,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":162},5603,"labmlai\u002Finspectus","inspectus","LLM Analytics","Inspectus 是一款专为机器学习设计的可视化工具，旨在帮助开发者直观地“看见”大语言模型（LLM）内部的注意力机制。在深度学习研究中，理解模型如何关注输入文本的不同部分往往如同面对黑盒，而 Inspectus 通过生成清晰的注意力矩阵、查询\u002F键令牌热力图以及维度分布图，将抽象的张量数据转化为可交互的图形界面，有效解决了模型内部逻辑难以解读的痛点。\n\n该工具特别适合 AI 研究人员、算法工程师以及需要在 Jupyter Notebook 中进行模型调试与教学的用户。其核心亮点在于极简的 Python API 设计，只需几行代码即可集成；同时原生支持 Hugging Face Transformers 模型，能直接解析并展示多层、多头注意力权重。用户可以在笔记本中点击特定令牌（Token），动态查看其在不同网络层和注意力头中的聚焦情况，甚至自定义注意力映射进行分析。无论是复现论文实验、调试模型异常，还是向学生演示 Transformer 的工作原理，Inspectus 都能提供流畅且深度的可视化体验，让复杂的模型决策过程变得透明易懂。","[![PyPI - Python Version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Finspectus.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Finspectus)\n[![PyPI Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_2fcdc6c2415c.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Finspectus)\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Flabmlai?style=social)](https:\u002F\u002Ftwitter.com\u002Flabmlai?ref_src=twsrc%5Etfw)\n\n# Inspectus\n\nInspectus is a versatile visualization tool for machine learning. It runs smoothly in Jupyter notebooks via an easy-to-use Python API.\n\n## Content\n\n- [Installation](#installation)\n- [Attention Visualization](#attention-visualization)\n  - [Preview](#preview)\n  - [Components](#components)\n  - [Usage](#usage)\n  - [Tutorials](#tutorials)\n    - [Huggingface model](#huggingface-model)\n    - [Custom attention map](#custom-attention-map)\n- [Token Visualization](#token-visualization)\n  - [Preview](#preview-1)\n  - [Usage](#usage-1)\n- [Distribution Plot](#distribution-plot)\n  - [Preview](#preview-2)\n  - [Usage](#usage-2)\n  - [Sample Use case](#sample-use-case)\n- [Setting up for Development](#setting-up-for-development)\n- [Citing](#citing)\n\n## Installation\n\n```bash\npip install inspectus\n```\n\n## Attention Visualization\n\nInspectus provides visualization tools for attention mechanisms in deep learning models. \nIt provides a set of comprehensive views, making it easier to understand how these models work.\n\n### Preview\n\n![Attention visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_84187269c032.gif)\n\n*Click a token to select it and deselect others. Clicking again will select all again. \nTo change the state of only one token, do shift+click*\n\n### Components\n\n**Attention Matrix**:\nVisualizes the attention scores between tokens, highlighting how each token focuses on others during processing.\n\n**Query Token Heatmap**:\nShows the sum of attention scores between each query and selected key tokens\n\n**Key Token Heatmap**:\nShows the sum of attention scores between each key and selected query tokens\n\n**Dimension Heatmap**:\nShows the sum of attention scores for each item in dimensions (Layers and Heads) normalized over the dimension.\n\n#### Usage\n\nImport the library\n\n```python\nimport inspectus\n```\n\nSimple usage\n\n```python\n# attn: Attention map; a 2-4D tensor or attention maps from Huggingface transformers\ninspectus.attention(attn, tokens)\n```\n\nFor different query and key tokens\n\n```python\ninspectus.attention(attns, query_tokens, key_tokens)\n```\n\nFor detailed API documentation, please refer to the [official documentation](https:\u002F\u002Flabmlai.github.io\u002Finspectus\u002F).\n\n### Tutorials\n\n#### Huggingface model\n\n```python\nfrom transformers import AutoTokenizer, GPT2LMHeadModel, AutoConfig\nimport torch\nimport inspectus\n\n# Initialize the tokenizer and model\ncontext_length = 128\ntokenizer = AutoTokenizer.from_pretrained(\"huggingface-course\u002Fcode-search-net-tokenizer\")\n\nconfig = AutoConfig.from_pretrained(\n    \"gpt2\",\n    vocab_size=len(tokenizer),\n    n_ctx=context_length,\n    bos_token_id=tokenizer.bos_token_id,\n    eos_token_id=tokenizer.eos_token_id,\n)\n\nmodel = GPT2LMHeadModel(config)\n\n# Tokenize the input text\ntext= 'The quick brown fox jumps over the lazy dog'\ntokenized = tokenizer(\n    text,\n    return_tensors='pt',\n    return_offsets_mapping=True\n)\ninput_ids = tokenized['input_ids']\n\ntokens = [text[s: e] for s, e in tokenized['offset_mapping'][0]]\n\nwith torch.no_grad():\n    res = model(input_ids=input_ids.to(model.device), output_attentions=True)\n\n# Visualize the attention maps using the Inspectus library\ninspectus.attention(res['attentions'], tokens)\n```\n\nCheck out the notebook here: [Huggingface Tutorial](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fgpt2.ipynb)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fgpt2.ipynb)\n\n\n#### Custom attention map\n\n```python\nimport numpy as np\nimport inspectus\n\n# 2D attention representing attention values between Query and Key tokens\nattn = np.random.rand(3, 3)\n\n# Visualize the attention values using the Inspectus library\n# The first argument is the attention matrix\n# The second argument is the list of query tokens\n# The third argument is the list of key tokens\ninspectus.attention(arr, ['a', 'b', 'c'], ['d', 'e', 'f'])\n```\n\nCheck out the notebook here: [Custom attention map tutorial](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fcustom_attn.ipynb)\n\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fcustom_attn.ipynb)\n\n## Token Visualization\n\nThis tool is used to visualize some metric related to tokens. This supports multiple metrics and the metric used for the visualization can be selected using the dropdown. Along with metrics, any aditional information can be added to tokens.\n\n#### Preview\n\n![Token Visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_1408597e7725.png)\n\n#### Usage\n\n```python\nimport inspectus\ninspectus.tokens([\"Hello\", \" World\", \"!\"], {\n    'loss': [-7.375, -8.312, -7.5625],\n    'entropy': [3.323, 1.0666, 0.432]\n}, token_info=[\"info 1\", \"info 2\", \"info 3\"])\n```\n\nCheck out the notebook here: [GPT2 example](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Ftoken_viz.ipynb)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Ftoken_viz.ipynb)\n\n\n## Distribution Plot\nThe distribution plot is a plot that shows the distribution of a series of data. At each step, \nthe distribution of the data is calculated and maximum of 5 bands are drawn from 9 basis points. \n(0, 6.68, 15.87, 30.85, 50.00, 69.15, 84.13, 93.32, 100.00) \n\n\n#### Preview\n\n![Distribution Plot visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_85749919d617.gif)\n\n#### Usage\n\n```python\nimport inspectus\n\ninspectus.distribution({'x': [x for x in range(0, 100)]})\n```\n\nTo focus on parts of the plot and zoom in, the minimap can be used. To select a single plot, use the legend on the top right.\n\nFor comprehensive usage guide please check the notebook here: [Distribution Plot Tutorial](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fdistribution_plot.ipynb)\n\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fdistribution_plot.ipynb)\n\n#### Sample Use case\n\nThis plot can be used to identify the existence of outliers in the data. Following \nnotebooks demonstrate how to use the distribution plot to identify outliers in the MNIST training loss.\n\n[MNIST](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fmnist.ipynb)\n\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fmnist.ipynb)\n\n\n\n## Setting up for Development\n\n[Development Docs](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fdevelopment.md)\n\n## Citing\n\nIf you use Inspectus for academic research, please cite the library using the following BibTeX entry.\n\n```bibtext\n@misc{inspectus,\n author = {Varuna Jayasiri, Lakshith Nishshanke},\n title = {inspectus: A visualization and analytics tool for large language models},\n year = {2024},\n url = {https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus},\n}\n```\n\n","[![PyPI - Python Version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Finspectus.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Finspectus)\n[![PyPI Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_2fcdc6c2415c.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Finspectus)\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Flabmlai?style=social)](https:\u002F\u002Ftwitter.com\u002Flabmlai?ref_src=twsrc%5Etfw)\n\n# Inspectus\n\nInspectus 是一款功能强大的机器学习可视化工具。它通过简单易用的 Python API，在 Jupyter Notebook 中流畅运行。\n\n## 目录\n\n- [安装](#installation)\n- [注意力机制可视化](#attention-visualization)\n  - [预览](#preview)\n  - [组件](#components)\n  - [使用方法](#usage)\n  - [教程](#tutorials)\n    - [Huggingface 模型](#huggingface-model)\n    - [自定义注意力图](#custom-attention-map)\n- [Token 可视化](#token-visualization)\n  - [预览](#preview-1)\n  - [使用方法](#usage-1)\n- [分布图](#distribution-plot)\n  - [预览](#preview-2)\n  - [使用方法](#usage-2)\n  - [示例用法](#sample-use-case)\n- [开发环境搭建](#setting-up-for-development)\n- [引用](#citing)\n\n## 安装\n\n```bash\npip install inspectus\n```\n\n## 注意力机制可视化\n\nInspectus 提供了用于深度学习模型中注意力机制的可视化工具。它包含一系列全面的视图，帮助用户更轻松地理解这些模型的工作原理。\n\n### 预览\n\n![注意力机制可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_84187269c032.gif)\n\n*点击某个 token 可以选中它并取消其他 token 的选中状态。再次点击则会重新选中所有 token。若只想改变单个 token 的状态，请按住 Shift 键再点击*\n\n### 组件\n\n**注意力矩阵**：\n可视化 token 之间的注意力分数，突出显示每个 token 在处理过程中如何关注其他 token。\n\n**查询 token 热力图**：\n展示每个查询 token 与选定键 token 之间注意力分数的总和。\n\n**键 token 热力图**：\n展示每个键 token 与选定查询 token 之间注意力分数的总和。\n\n**维度热力图**：\n展示各维度（层和头）中每个元素的注意力分数总和，并按维度进行归一化。\n\n#### 使用方法\n\n导入库：\n\n```python\nimport inspectus\n```\n\n简单用法：\n\n```python\n# attn: 注意力图；一个 2-4D 张量，或来自 Huggingface Transformers 的注意力图\ninspectus.attention(attn, tokens)\n```\n\n对于不同的查询和键 token：\n\n```python\ninspectus.attention(attns, query_tokens, key_tokens)\n```\n\n有关详细的 API 文档，请参阅[官方文档](https:\u002F\u002Flabmlai.github.io\u002Finspectus\u002F)。\n\n### 教程\n\n#### Huggingface 模型\n\n```python\nfrom transformers import AutoTokenizer, GPT2LMHeadModel, AutoConfig\nimport torch\nimport inspectus\n\n# 初始化分词器和模型\ncontext_length = 128\ntokenizer = AutoTokenizer.from_pretrained(\"huggingface-course\u002Fcode-search-net-tokenizer\")\n\nconfig = AutoConfig.from_pretrained(\n    \"gpt2\",\n    vocab_size=len(tokenizer),\n    n_ctx=context_length,\n    bos_token_id=tokenizer.bos_token_id,\n    eos_token_id=tokenizer.eos_token_id,\n)\n\nmodel = GPT2LMHeadModel(config)\n\n# 对输入文本进行分词\ntext= 'The quick brown fox jumps over the lazy dog'\ntokenized = tokenizer(\n    text,\n    return_tensors='pt',\n    return_offsets_mapping=True\n)\ninput_ids = tokenized['input_ids']\n\ntokens = [text[s: e] for s, e in tokenized['offset_mapping'][0]]\n\nwith torch.no_grad():\n    res = model(input_ids=input_ids.to(model.device), output_attentions=True)\n\n# 使用 Inspectus 库可视化注意力图\ninspectus.attention(res['attentions'], tokens)\n```\n\n在此查看笔记本：[Huggingface 教程](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fgpt2.ipynb)\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fgpt2.ipynb)\n\n\n#### 自定义注意力图\n\n```python\nimport numpy as np\nimport inspectus\n\n# 表示查询和键 token 之间注意力值的 2D 注意力图\nattn = np.random.rand(3, 3)\n\n# 使用 Inspectus 库可视化注意力值\n# 第一个参数是注意力矩阵\n# 第二个参数是查询 token 列表\n# 第三个参数是键 token 列表\ninspectus.attention(arr, ['a', 'b', 'c'], ['d', 'e', 'f'])\n```\n\n在此查看笔记本：[自定义注意力图教程](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fcustom_attn.ipynb)\n\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fcustom_attn.ipynb)\n\n## Token 可视化\n\n该工具用于可视化与 token 相关的一些指标。它支持多种指标，可以通过下拉菜单选择要可视化的指标。除了指标之外，还可以为 token 添加额外的信息。\n\n#### 预览\n\n![Token 可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_1408597e7725.png)\n\n#### 使用方法\n\n```python\nimport inspectus\ninspectus.tokens([\"Hello\", \" World\", \"!\"], {\n    'loss': [-7.375, -8.312, -7.5625],\n    'entropy': [3.323, 1.0666, 0.432]\n}, token_info=[\"info 1\", \"info 2\", \"info 3\"])\n```\n\n在此查看笔记本：[GPT2 示例](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Ftoken_viz.ipynb)\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Ftoken_viz.ipynb)\n\n\n## 分布图\n分布图是一种展示一系列数据分布情况的图表。在每一步中，都会计算数据的分布，并从 9 个基点中绘制最多 5 条带。（0, 6.68, 15.87, 30.85, 50.00, 69.15, 84.13, 93.32, 100.00）\n\n#### 预览\n\n![分布图可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_readme_85749919d617.gif)\n\n#### 使用方法\n\n```python\nimport inspectus\n\ninspectus.distribution({'x': [x for x in range(0, 100)]})\n```\n\n为了聚焦于图表的特定部分并放大显示，可以使用小地图。若要选择单个图表，可使用右上角的图例。\n\n有关完整的使用指南，请参阅此笔记本：[分布图教程](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fdistribution_plot.ipynb)\n\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fdistribution_plot.ipynb)\n\n#### 示例用法\n\n该图表可用于识别数据中的异常值。以下笔记本展示了如何使用分布图来识别 MNIST 训练损失中的异常值。\n\n[MNIST](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fmnist.ipynb)\n\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fnotebooks\u002Fmnist.ipynb)\n\n## 开发环境搭建\n\n[开发文档](https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fdevelopment.md)\n\n## 引用\n\n如果您在学术研究中使用 Inspectus，请使用以下 BibTeX 条目引用该库。\n\n```bibtex\n@misc{inspectus,\n author = {Varuna Jayasiri, Lakshith Nishshanke},\n title = {inspectus：用于大型语言模型的可视化与分析工具},\n year = {2024},\n url = {https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus},\n}\n```","# Inspectus 快速上手指南\n\nInspectus 是一款专为机器学习设计的可视化工具，特别适用于在 Jupyter Notebook 中直观分析深度学习模型的注意力机制、Token 指标及数据分布。\n\n## 环境准备\n\n- **操作系统**：支持 Windows、macOS 和 Linux\n- **Python 版本**：建议 Python 3.7 及以上\n- **运行环境**：推荐在 Jupyter Notebook 或 JupyterLab 中使用以获得最佳交互体验\n- **前置依赖**：无需额外复杂配置，安装时会自动处理依赖（如 `numpy`, `torch` 等，视具体功能而定）\n\n## 安装步骤\n\n使用 pip 直接安装：\n\n```bash\npip install inspectus\n```\n\n> **国内用户加速建议**：如果下载速度较慢，可使用清华或阿里镜像源：\n> ```bash\n> pip install inspectus -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\n### 1. 注意力机制可视化 (Attention Visualization)\n\n这是 Inspectus 最核心的功能，可直观展示 Token 之间的注意力权重。\n\n**简单用法**（适用于已有的注意力矩阵）：\n\n```python\nimport inspectus\n\n# attn: 注意力矩阵 (2-4 维张量)\n# tokens: 对应的文本 token 列表\ninspectus.attention(attn, tokens)\n```\n\n**快速尝试 Hugging Face 模型**：\n\n```python\nfrom transformers import AutoTokenizer, GPT2LMHeadModel, AutoConfig\nimport torch\nimport inspectus\n\n# 初始化分词器和模型\ncontext_length = 128\ntokenizer = AutoTokenizer.from_pretrained(\"huggingface-course\u002Fcode-search-net-tokenizer\")\n\nconfig = AutoConfig.from_pretrained(\n    \"gpt2\",\n    vocab_size=len(tokenizer),\n    n_ctx=context_length,\n    bos_token_id=tokenizer.bos_token_id,\n    eos_token_id=tokenizer.eos_token_id,\n)\n\nmodel = GPT2LMHeadModel(config)\n\n# 分词\ntext = 'The quick brown fox jumps over the lazy dog'\ntokenized = tokenizer(text, return_tensors='pt', return_offsets_mapping=True)\ninput_ids = tokenized['input_ids']\ntokens = [text[s: e] for s, e in tokenized['offset_mapping'][0]]\n\n# 获取注意力输出\nwith torch.no_grad():\n    res = model(input_ids=input_ids.to(model.device), output_attentions=True)\n\n# 可视化\ninspectus.attention(res['attentions'], tokens)\n```\n\n### 2. Token 指标可视化 (Token Visualization)\n\n用于展示每个 Token 的相关指标（如 Loss、熵等），支持多选指标切换。\n\n```python\nimport inspectus\n\ninspectus.tokens([\"Hello\", \" World\", \"!\"], {\n    'loss': [-7.375, -8.312, -7.5625],\n    'entropy': [3.323, 1.0666, 0.432]\n}, token_info=[\"info 1\", \"info 2\", \"info 3\"])\n```\n\n### 3. 数据分布图 (Distribution Plot)\n\n用于观察数据随时间步的分布变化，帮助识别异常值。\n\n```python\nimport inspectus\n\ninspectus.distribution({'x': [x for x in range(0, 100)]})\n```\n\n> **提示**：在生成的图表中，可利用右上角图例选择特定曲线，或使用底部缩略图进行缩放查看细节。","某 NLP 算法工程师正在调试一个基于 GPT-2 的文本摘要模型，试图找出模型为何在生成关键信息时频繁出现“幻觉”或遗漏重点的问题。\n\n### 没有 inspectus 时\n- 开发者只能面对高维的注意力张量（Tensor）打印出的枯燥数值矩阵，难以直观判断哪些词之间产生了关联。\n- 排查特定词汇（如“不”、“非”等否定词）的注意力分布时，需要手动编写复杂的 matplotlib 代码绘制热力图，效率极低。\n- 无法快速定位是模型的哪一层（Layer）或哪个注意力头（Head）导致了错误的聚焦，往往需要盲目调整超参数进行试错。\n- 在向团队汇报模型缺陷时，缺乏动态、可交互的可视化证据，沟通成本高昂且难以说服他人。\n\n### 使用 inspectus 后\n- 直接在 Jupyter Notebook 中调用 `inspectus.attention`，即可生成包含注意力矩阵、查询\u002F键令牌热力图的交互式仪表盘，一眼看清词与词的关联强度。\n- 点击任意 Token（如“不”），界面立即高亮显示其对所有其他词的关注度总和，秒级定位模型是否忽略了否定逻辑。\n- 通过维度热力图（Dimension Heatmap），迅速识别出具体是第几层的哪个注意力头出现了异常聚焦，从而针对性地优化模型结构。\n- 利用可交互的图表演示，能够动态展示模型“思考”过程，让团队成员直观理解错误根源，大幅缩短评审与迭代周期。\n\ninspectus 将黑盒般的注意力机制转化为透明的视觉语言，让开发者从繁琐的数据清洗中解放出来，专注于模型逻辑的本质优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flabmlai_inspectus_84187269.gif","labmlai","labml.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flabmlai_c38aa317.png","Tools to help deep learning researchers",null,"contact@labml.ai","https:\u002F\u002Flabml.ai","https:\u002F\u002Fgithub.com\u002Flabmlai",[81,85,89,93,97,101,105,109],{"name":82,"color":83,"percentage":84},"TypeScript","#3178c6",44.4,{"name":86,"color":87,"percentage":88},"Python","#3572A5",26.3,{"name":90,"color":91,"percentage":92},"Jupyter Notebook","#DA5B0B",22.9,{"name":94,"color":95,"percentage":96},"SCSS","#c6538c",3.7,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",1.1,{"name":102,"color":103,"percentage":104},"Makefile","#427819",1,{"name":106,"color":107,"percentage":108},"Batchfile","#C1F12E",0.5,{"name":110,"color":111,"percentage":112},"HTML","#e34c26",0.1,709,33,"2026-04-07T08:37:44","MIT","未说明",{"notes":119,"python":117,"dependencies":120},"该工具主要通过 Python API 在 Jupyter Notebook 中运行。虽然示例代码使用了 PyTorch (torch) 和 Hugging Face Transformers，但这些主要是为了演示如何获取注意力矩阵，核心库 inspectus 本身似乎主要依赖 numpy 进行数据处理和可视化。具体的 Python 版本和操作系统未在提供的文本中明确限制，通常兼容主流 Python 3.x 环境。",[121,122,123],"torch","transformers","numpy",[35,14],"2026-03-27T02:49:30.150509","2026-04-09T01:24:39.316749",[128,133,137,142,147,152,157],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},25441,"如何在论文或研究中引用 inspectus 项目？","您可以使用以下 BibTeX 条目进行引用：\n```bibtext\n@misc{inspectus,\n author = {Varuna Jayasiri, Lakshith Nishshanke},\n title = {inspectus: A visualization and analytics tool for large language models},\n year = {2024},\n url = {https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus},\n}\n```","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F6",{"id":134,"question_zh":135,"answer_zh":136,"source_url":132},25435,"调用 attention 函数时遇到 'TypeError: module object is not callable' 错误怎么办？","这通常是因为内部模块名称冲突或包版本过旧。请尝试删除并重新安装该包，然后重启 Notebook。更新后请使用新的调用方式：\n```python\nimport inspectus\ninspectus.attention(attn, tokens)\n```\n如果问题依旧，请确保已更新到最新的 pip 包版本。",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},25436,"运行代码时出现关于 `resume_download` 的 FutureWarning 警告，如何解决？","这只是一个警告而非错误，不会影响程序运行。该警告源于 Hugging Face 库的内部调用，提示 `resume_download` 参数已弃用（下载默认会自动恢复）。您可以忽略此警告，或者在调用下载函数时显式使用 `force_download=True` 来强制新下载以消除警告。","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F5",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},25437,"如何保存生成的 HTML 可视化文件以便离线查看？","目前库本身尚未提供直接导出为独立 HTML 文件的方法。`attention_chart` 函数仅传递数据给渲染函数。变通方法是：在浏览器中打开可视化页面后，通过浏览器的开发者工具检查元素，手动获取并保存完整的 HTML 内容。注意直接保存原始输出可能会因缺少必要的脚本引用而导致报错。","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F11",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},25438,"如何可视化下一个预测 token（next predicted token）的注意力机制？","该功能已经内置。可视化中的每个 token 实际上都代表了基于前序序列预测出的下一个 token。您只需在可视化界面中点击选中任意一个 token，即可查看该 token 对应的注意力权重分布，无需额外配置。","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F7",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},25439,"遇到 'FileNotFoundError: Could not find the static files' 错误或模块调用错误如何处理？","这可能是由于包安装不完整或版本问题导致的。建议首先尝试重新安装包。如果问题仍然存在，请参考官方开发文档从源代码运行项目，以确保所有静态文件和依赖项正确就位：\nhttps:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fblob\u002Fmain\u002Fdevelopment.md","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F4",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},25440,"该项目是否支持 Apple MLX 框架？","目前项目处于早期开发阶段，支持 MLX 并非优先事项，因此暂时不支持。维护者表示如果有相关更新会另行通知，建议关注项目后续动态。","https:\u002F\u002Fgithub.com\u002Flabmlai\u002Finspectus\u002Fissues\u002F9",[]]