[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-likejazz--llama3.np":3,"tool-likejazz--llama3.np":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":80,"owner_email":81,"owner_twitter":78,"owner_website":78,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":98,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":126},558,"likejazz\u002Fllama3.np","llama3.np","llama3.np is a pure NumPy implementation for Llama 3 model.","llama3.np 是一个专为 Llama 3 模型打造的纯 NumPy 实现项目。它最大的特点是不依赖 PyTorch 或 TensorFlow 等重型深度学习框架，仅使用基础的 NumPy 库即可运行。这一设计有效解决了传统大模型部署中环境配置复杂、硬件依赖性强（如必须配备 GPU）的痛点。\n\n对于希望深入理解大语言模型底层架构的开发者、研究人员以及计算机专业的学生来说，llama3.np 提供了极佳的入门途径。通过阅读其源码，你可以清晰地看到注意力机制、前馈网络等核心组件是如何通过基础矩阵运算构建的。此外，它支持在普通 CPU 上流畅运行，虽然推理速度相比 CUDA 加速版本较慢，但在教学演示和本地轻量级测试场景中表现优异。\n\n如果你正在寻找一个零依赖、易于调试的 Llama 3 实现方案，或者想亲手复现模型推理流程，llama3.np 绝对值得尝试。它不仅降低了技术门槛，更让大模型的黑盒变得透明可见。","# llama3.np\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flikejazz_llama3.np_readme_27d4cecf4f3d.webp\" width=\"300\" alt=\"llama3.cuda\">\n\u003C\u002Fp>\n\n`llama3.np` is a pure NumPy implementation for Llama 3 model. For an accurate implementation, I ran the [stories15M model](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fllama2.c?tab=readme-ov-file#models) trained by Andrej Karpathy. \n\n- For a detailed explanation in English, see [Llama 3 implemented in pure NumPy](https:\u002F\u002Fthellm.substack.com\u002Fp\u002Fllama-3-implemented-in-pure-numpy).\n- If you're interested in CUDA implementation, see [Llama 3 implemented in pure C\u002FCUDA](https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.cuda).\n\n## Usage\n\n```shell\n$ python llama3.py \"I have a dream\"\n\"\"\"\nI have a dream. He dream of a big, beautiful garden full of flower and tree. He dream of playing with hi friend and eating yummy snack.\nOne day, he wa walking in the garden when he saw\n\nToken count: 50, elapsed: 1.53s, 33 tokens\u002Fs\n\"\"\"\n```\n\n## Citing llama3.np\n\nIf you use or discuss `llama3.np` in your academic research, please cite the project to help spread awareness:\n\n```\n@misc{llama3.np,\n  title = {llama3.np: pure NumPy implementation for Llama 3 model},\n  author = {Sang Park}, \n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.np}},\n  note = {llama3.np, MIT License}\n  year = {2024},\n}\n```\n\n# References\nThank you to the creators of the following libraries and tools and their contributors:\n- [llama2.c](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fllama2.c) - @karpathy\n- [llama.np](https:\u002F\u002Fgithub.com\u002Fhscspring\u002Fllama.np) - @hscspring\n- [modeling_llama.py](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers\u002Fblob\u002Fmain\u002Fsrc\u002Ftransformers\u002Fmodels\u002Fllama\u002Fmodeling_llama.py) - Hugging Face's Transformers\n\nI got a lot of information from the articles below:\n- [42dot LLM 1.3B](https:\u002F\u002F42dot.ai\u002Fblog\u002F178) - 42dot\n- [Exploring and building the LLaMA 3 Architecture : A Deep Dive into Components, Coding, and Inference Techniques](https:\u002F\u002Fmedium.com\u002F@vi.ai_\u002Fexploring-and-building-the-llama-3-architecture-a-deep-dive-into-components-coding-and-43d4097cfbbb) - @vi.ai_\n- [Rotary Embeddings: A Relative Revolution](https:\u002F\u002Fblog.eleuther.ai\u002Frotary-embeddings\u002F) - EleutherAI\n- [Mastering LLM Techniques: Inference Optimization](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fmastering-llm-techniques-inference-optimization\u002F) - NVIDIA\n\nAnd title image was generated by DALL-E\n\n# License\nMIT\n","# llama3.np\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flikejazz_llama3.np_readme_27d4cecf4f3d.webp\" width=\"300\" alt=\"llama3.cuda\">\n\u003C\u002Fp>\n\n`llama3.np` 是一个用于 Llama 3 模型的纯 NumPy（Python 数值计算库）实现。为了获得准确的实现，我运行了由 Andrej Karpathy 训练的 [stories15M 模型](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fllama2.c?tab=readme-ov-file#models)。 \n\n- 如需英文详细说明，请查看 [Llama 3 implemented in pure NumPy](https:\u002F\u002Fthellm.substack.com\u002Fp\u002Fllama-3-implemented-in-pure-numpy)。\n- 如果您对 CUDA（通用并行计算架构）实现感兴趣，请查看 [Llama 3 implemented in pure C\u002FCUDA](https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.cuda)。\n\n## 使用方式\n\n```shell\n$ python llama3.py \"I have a dream\"\n\"\"\"\nI have a dream. He dream of a big, beautiful garden full of flower and tree. He dream of playing with hi friend and eating yummy snack.\nOne day, he wa walking in the garden when he saw\n\nToken count: 50, elapsed: 1.53s, 33 tokens\u002Fs\n\"\"\"\n```\n\n## 引用 llama3.np\n\n如果您在学术研究中使用或讨论 `llama3.np`，请引用该项目以帮助提高知名度：\n\n```\n@misc{llama3.np,\n  title = {llama3.np: pure NumPy implementation for Llama 3 model},\n  author = {Sang Park}, \n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.np}},\n  note = {llama3.np, MIT License}\n  year = {2024},\n}\n```\n\n# 参考资料\n感谢以下库和工具的创作者及其贡献者：\n- [llama2.c](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fllama2.c) - @karpathy\n- [llama.np](https:\u002F\u002Fgithub.com\u002Fhscspring\u002Fllama.np) - @hscspring\n- [modeling_llama.py](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers\u002Fblob\u002Fmain\u002Fsrc\u002Ftransformers\u002Fmodels\u002Fllama\u002Fmodeling_llama.py) - Hugging Face's Transformers\n\n我从以下文章中获取了大量信息：\n- [42dot LLM 1.3B](https:\u002F\u002F42dot.ai\u002Fblog\u002F178) - 42dot\n- [Exploring and building the LLaMA 3 Architecture : A Deep Dive into Components, Coding, and Inference Techniques](https:\u002F\u002Fmedium.com\u002F@vi.ai_\u002Fexploring-and-building-the-llama-3-architecture-a-deep-dive-into-components-coding-and-43d4097cfbbb) - @vi.ai_\n- [Rotary Embeddings: A Relative Revolution](https:\u002F\u002Fblog.eleuther.ai\u002Frotary-embeddings\u002F) - EleutherAI\n- [Mastering LLM Techniques: Inference Optimization](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fmastering-llm-techniques-inference-optimization\u002F) - NVIDIA\n\n标题图片由 DALL-E 生成\n\n# 许可证\nMIT","# `llama3.np` 快速上手指南\n\n`llama3.np` 是一个基于纯 NumPy 实现的 Llama 3 模型项目。与需要 CUDA 支持的版本不同，该工具完全在 CPU 上运行，适合用于学习架构原理或轻量级推理测试。\n\n## 1. 环境准备\n\n本项目为纯 Python 实现，对硬件要求较低，无需显卡支持。请确保您的开发环境满足以下要求：\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **编程语言**：Python 3.x\n- **核心依赖**：NumPy\n- **硬件建议**：普通 CPU 即可运行（无 GPU 需求）\n\n## 2. 安装步骤\n\n首先从 GitHub 克隆项目代码到本地，并安装必要的依赖库。\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.np\n$ cd llama3.np\n$ pip install numpy\n```\n\n> **注意**：由于项目未提供显式的 `requirements.txt`，请确保已安装 NumPy 库以支持矩阵运算。\n\n## 3. 基本使用\n\n进入项目目录后，直接运行 `llama3.py` 脚本并传入提示词即可开始生成文本。\n\n```shell\n$ python llama3.py \"I have a dream\"\n\"\"\"\nI have a dream. He dream of a big, beautiful garden full of flower and tree. He dream of playing with hi friend and eating yummy snack.\nOne day, he wa walking in the garden when he saw\n\nToken count: 50, elapsed: 1.53s, 33 tokens\u002Fs\n\"\"\"\n```\n\n### 输出说明\n- 程序将返回生成的文本内容。\n- 底部会显示 Token 数量、耗时及生成速度（tokens\u002Fs）。\n\n---\n*更多技术细节与架构解析，请参考官方文档或参考链接中的文章。*","一位机器学习课程助教需要在没有独立显卡的办公电脑上演示 Llama 3 的推理过程，帮助学生理解模型内部的数据流动。\n\n### 没有 llama3.np 时\n- 必须配置复杂的 PyTorch 及 CUDA 环境，依赖包版本冲突导致数小时无法跑通基础脚本，且占用大量磁盘空间。\n- 模型代码封装在 Hugging Face Transformers 库中，处于黑盒状态难以手动修改或观察中间激活值，阻碍了原理探究。\n- 在 CPU 上强行运行大型 Transformer 模型会导致内存溢出，完全无法进行本地推理测试，限制了开发灵活性。\n\n### 使用 llama3.np 后\n- llama3.np 基于纯 NumPy 构建，仅需基础科学计算库，几分钟内即可完成环境部署与运行，彻底摆脱重型依赖。\n- 源码结构扁平化，研究者可直接在代码中打断点，实时查看 QKV 矩阵变换的具体数值变化，实现了全透明调试。\n- 针对 CPU 优化的推理流程使得单核笔记本也能流畅生成文本，满足了离线教学与实验需求，无需额外硬件投入。\n\n核心价值在于将复杂的深度学习框架简化为可阅读的数学公式，极大降低了大模型底层原理的学习门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flikejazz_llama3.np_27d4cecf.webp","likejazz","Sang Park","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flikejazz_9ad36758.jpg",null,"Dnotitia","Seoul","sang.park@dnotitia.com","https:\u002F\u002Fgithub.com\u002Flikejazz",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,993,82,"2026-03-30T02:30:29","MIT","未说明","不需要 GPU，纯 CPU 运行",{"notes":95,"python":92,"dependencies":96},"纯 NumPy 实现，无需 CUDA 环境。推理速度较慢（示例 33 tokens\u002Fs），适合学习研究。需自行准备模型权重文件。",[97],"numpy",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T08:42:07.082255",[102,107,111,114,118,122],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},2269,"如何提升分词器（Tokenizer）的运行性能？","建议使用 Python 内置的 `heappush` 和 `heappop` 函数来实现堆结构优化。虽然当前版本未专注于性能，但未来计划考虑采纳此建议。参考示例：https:\u002F\u002Fgithub.com\u002F99991\u002FSimpleTinyLlama\u002Fblob\u002F9af6f7df6e12d8478a90d3cd5c8e8c1a95fce0fe\u002Ftokenizer.py#L96","https:\u002F\u002Fgithub.com\u002Flikejazz\u002Fllama3.np\u002Fissues\u002F1",{"id":108,"question_zh":109,"answer_zh":110,"source_url":106},2270,"遇到 Sigmoid 函数警告时应如何处理？","不建议直接静默警告，而应通过截断（clip）Sigmoid 函数的输入幅度来解决。可参考 NumPy CLIP 实现中的具体逻辑：https:\u002F\u002Fgithub.com\u002F99991\u002FNumPyCLIP\u002Fblob\u002Fmain\u002Fnumpyclip.py#L113-L116",{"id":28,"question_zh":112,"answer_zh":113,"source_url":106},"模型权重文件应该托管在 GitHub 上吗？","不建议直接托管大文件到 GitHub。推荐将权重存放在 Release 或 HuggingFace 等外部平台按需下载，以避免受限于 GitHub 的带宽配额。",{"id":115,"question_zh":116,"answer_zh":117,"source_url":106},2272,"GitHub 的带宽限制会对项目产生什么影响？","GitHub 每月仅有 5 GB 的下载配额，超过后可能会频繁阻止下载。对于大型项目，这会导致访问不稳定，因此更适合使用外部存储方案。",{"id":119,"question_zh":120,"answer_zh":121,"source_url":106},2273,"项目中为何移除了 `set_printoptions()` 配置？","该配置曾用于调试时禁用科学计数法以增强可读性，但在完成调试且不再需要查看特定数值格式后，为了保持代码简洁已被移除。",{"id":123,"question_zh":124,"answer_zh":125,"source_url":106},2274,"当前项目的开发重点是什么？","当前版本主要侧重于提供清晰的形状注解（shape annotations）以便于理解代码，而非追求极致性能。维护者表示会在后续迭代中考虑性能优化建议。",[]]