[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ml-explore--mlx-examples":3,"tool-ml-explore--mlx-examples":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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":10,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":106,"github_topics":107,"view_count":109,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":110,"updated_at":111,"faqs":112,"releases":138},433,"ml-explore\u002Fmlx-examples","mlx-examples","Examples in the MLX framework","mlx-examples 是 MLX 框架的官方示例仓库，提供了大量可直接运行的机器学习模型代码，涵盖文本、图像、音频和多模态等多个领域。它帮助用户快速上手 MLX——一个专为 Apple Silicon 芯片优化的高效灵活的机器学习框架。通过 MNIST 入门教程以及 LLaMA、Mistral、Stable Diffusion、Whisper、CLIP 等主流模型的轻量实现，mlx-examples 降低了在 Mac 设备上实验和部署 AI 模型的门槛。项目还支持 LoRA\u002FQLoRA 微调、MoE 架构、Normalizing Flow 等前沿技术，并与 Hugging Face 的 mlx-community 模型库无缝对接，方便加载预训练权重。mlx-examples 主要面向开发者和研究人员，尤其适合希望在 Apple 设备上高效探索或原型验证各类 AI 模型的用户。其代码简洁清晰，既可用于学习理解模型原理，也可作为实际项目的起点。","# MLX Examples\n\nThis repo contains a variety of standalone examples using the [MLX\nframework](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx).\n\nThe [MNIST](mnist) example is a good starting point to learn how to use MLX.\nSome more useful examples are listed below. Check-out [MLX\nLM](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm) for a more fully featured Python\npackage for LLMs with MLX.\n\n### Text Models \n\n- [Transformer language model](transformer_lm) training.\n- Minimal examples of large scale text generation with [LLaMA](llms\u002Fllama),\n  [Mistral](llms\u002Fmistral), and more in the [LLMs](llms) directory.\n- A mixture-of-experts (MoE) language model with [Mixtral 8x7B](llms\u002Fmixtral).\n- Parameter efficient fine-tuning with [LoRA or QLoRA](lora).\n- Text-to-text multi-task Transformers with [T5](t5).\n- Bidirectional language understanding with [BERT](bert).\n\n### Image Models \n\n- Generating images\n  - [FLUX](flux)\n  - [Stable Diffusion or SDXL](stable_diffusion)\n- Image classification using [ResNets on CIFAR-10](cifar).\n- Convolutional variational autoencoder [(CVAE) on MNIST](cvae).\n\n### Audio Models\n\n- Speech recognition with [OpenAI's Whisper](whisper).\n- Audio compression and generation with [Meta's EnCodec](encodec).\n- Music generation with [Meta's MusicGen](musicgen).\n\n### Multimodal models\n\n- Joint text and image embeddings with [CLIP](clip).\n- Text generation from image and text inputs with [LLaVA](llava).\n- Image segmentation with [Segment Anything (SAM)](segment_anything).\n\n### Other Models \n\n- Semi-supervised learning on graph-structured data with [GCN](gcn).\n- Real NVP [normalizing flow](normalizing_flow) for density estimation and\n  sampling.\n\n### Hugging Face\n\nYou can directly use or download converted checkpoints from the [MLX\nCommunity](https:\u002F\u002Fhuggingface.co\u002Fmlx-community) organization on Hugging Face.\nWe encourage you to join the community and [contribute new\nmodels](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F155).\n\n## Contributing \n\nWe are grateful for all of [our\ncontributors](ACKNOWLEDGMENTS.md#Individual-Contributors). If you contribute\nto MLX Examples and wish to be acknowledged, please add your name to the list in your\npull request.\n\n## Citing MLX Examples\n\nThe MLX software suite was initially developed with equal contribution by Awni\nHannun, Jagrit Digani, Angelos Katharopoulos, and Ronan Collobert. If you find\nMLX Examples useful in your research and wish to cite it, please use the following\nBibTex entry:\n\n```\n@software{mlx2023,\n  author = {Awni Hannun and Jagrit Digani and Angelos Katharopoulos and Ronan Collobert},\n  title = {{MLX}: Efficient and flexible machine learning on Apple silicon},\n  url = {https:\u002F\u002Fgithub.com\u002Fml-explore},\n  version = {0.0},\n  year = {2023},\n}\n```\n","# MLX 示例\n\n本仓库包含使用 [MLX 框架](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx) 的多种独立示例。\n\n[MNIST](mnist) 示例是学习如何使用 MLX 的良好起点。以下列出了一些更有用的示例。如需功能更完整的基于 MLX 的大语言模型（LLM）Python 包，请查看 [MLX LM](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm)。\n\n### 文本模型\n\n- [Transformer 语言模型](transformer_lm) 训练。\n- 在 [LLMs](llms) 目录中，提供了使用 [LLaMA](llms\u002Fllama)、[Mistral](llms\u002Fmistral) 等模型进行大规模文本生成的最小化示例。\n- 使用 [Mixtral 8x7B](llms\u002Fmixtral) 实现的混合专家（MoE, Mixture-of-Experts）语言模型。\n- 使用 [LoRA 或 QLoRA](lora) 进行参数高效微调（Parameter Efficient Fine-Tuning）。\n- 基于 [T5](t5) 的文本到文本多任务 Transformer。\n- 使用 [BERT](bert) 实现双向语言理解。\n\n### 图像模型\n\n- 图像生成\n  - [FLUX](flux)\n  - [Stable Diffusion 或 SDXL](stable_diffusion)\n- 使用 [CIFAR-10 上的 ResNet](cifar) 进行图像分类。\n- 在 MNIST 上的卷积变分自编码器（CVAE, Convolutional Variational Autoencoder）[(CVAE on MNIST)](cvae)。\n\n### 音频模型\n\n- 使用 [OpenAI 的 Whisper](whisper) 进行语音识别。\n- 使用 [Meta 的 EnCodec](encodec) 进行音频压缩与生成。\n- 使用 [Meta 的 MusicGen](musicgen) 进行音乐生成。\n\n### 多模态模型\n\n- 使用 [CLIP](clip) 实现文本与图像的联合嵌入（joint embeddings）。\n- 使用 [LLaVA](llava) 根据图像和文本输入生成文本。\n- 使用 [Segment Anything (SAM)](segment_anything) 进行图像分割。\n\n### 其他模型\n\n- 使用 [GCN](gcn) 在图结构数据上进行半监督学习。\n- 用于密度估计和采样的 Real NVP [标准化流（normalizing flow）](normalizing_flow)。\n\n### Hugging Face\n\n你可以直接使用或从 Hugging Face 上的 [MLX Community](https:\u002F\u002Fhuggingface.co\u002Fmlx-community) 组织下载已转换的模型检查点。我们鼓励你加入社区并[贡献新模型](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F155)。\n\n## 贡献\n\n我们衷心感谢所有[贡献者](ACKNOWLEDGMENTS.md#Individual-Contributors)。如果你为 MLX Examples 做出贡献并希望被致谢，请在你的 Pull Request 中将你的名字添加到名单中。\n\n## 引用 MLX Examples\n\nMLX 软件套件最初由 Awni Hannun、Jagrit Digani、Angelos Katharopoulos 和 Ronan Collobert 平等贡献开发。如果你在研究中发现 MLX Examples 有用并希望引用它，请使用以下 BibTeX 条目：\n\n```\n@software{mlx2023,\n  author = {Awni Hannun and Jagrit Digani and Angelos Katharopoulos and Ronan Collobert},\n  title = {{MLX}: Efficient and flexible machine learning on Apple silicon},\n  url = {https:\u002F\u002Fgithub.com\u002Fml-explore},\n  version = {0.0},\n  year = {2023},\n}\n```","# mlx-examples 快速上手指南\n\n## 环境准备\n\n- **系统要求**：macOS 13.0 或更高版本（仅支持 Apple Silicon 芯片，如 M1\u002FM2\u002FM3）\n- **Python 版本**：建议使用 Python 3.9 或更高版本\n- **前置依赖**：确保已安装 `git` 和 `pip`\n\n> 💡 建议使用国内 PyPI 镜像源（如阿里云、清华源）加速依赖安装。\n\n## 安装步骤\n\n1. 克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples.git\ncd mlx-examples\n```\n\n2. 安装 MLX 核心框架（推荐使用 pip）：\n```bash\npip install mlx\n```\n\n> 若网络较慢，可使用清华源加速：\n```bash\npip install mlx -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. （可选）为特定示例安装额外依赖，例如 MNIST 示例：\n```bash\npip install -r mnist\u002Frequirements.txt\n```\n\n## 基本使用\n\n以最简单的 **MNIST 图像分类示例** 为例：\n\n1. 进入示例目录：\n```bash\ncd mnist\n```\n\n2. 运行训练脚本：\n```bash\npython main.py\n```\n\n该脚本将自动下载 MNIST 数据集，并在 Apple Silicon 上训练一个小型神经网络，无需额外配置。\n\n> 其他模型（如 LLaMA、Stable Diffusion、Whisper 等）的使用方式类似，进入对应目录并运行 `python xxx.py` 即可。详细参数请参考各示例子目录中的 README。","一位独立开发者希望在搭载 Apple Silicon 的 MacBook 上快速实验本地部署的开源大语言模型（如 LLaMA 或 Mistral），用于构建个人知识库问答系统。\n\n### 没有 mlx-examples 时\n- 需从零开始适配 PyTorch 或 TensorFlow 模型到 Apple 芯片，缺乏针对 Metal 加速的优化经验，调试耗时。\n- 官方模型代码复杂，难以提取最小可运行示例，仅加载权重就需处理大量依赖和格式转换问题。\n- 想尝试 LoRA 微调但找不到轻量级实现，自行编写容易出错且效率低下。\n- 社区教程碎片化，不同模型（如 LLaMA、Mistral）的推理接口不统一，复用成本高。\n- 无法直接利用 Hugging Face 上的预训练权重，需手动转换格式，过程繁琐且易失败。\n\n### 使用 mlx-examples 后\n- 直接运行 llms\u002Fllama 或 llms\u002Fmistral 目录下的脚本，几行命令即可在 Mac 上高效推理，自动利用 MLX 的 Metal 后端加速。\n- 示例代码结构清晰、模块独立，轻松理解模型加载、分词和生成逻辑，快速集成到自己的应用中。\n- lora 示例提供现成的参数高效微调方案，只需少量数据即可定制模型，显著降低显存和算力需求。\n- 所有文本模型示例采用一致的 API 风格，切换不同架构仅需更换模型路径，开发体验流畅。\n- 无缝对接 Hugging Face 上 mlx-community 提供的转换后权重，一键下载即用，省去格式转换步骤。\n\nmlx-examples 让 Apple Silicon 用户以极低门槛高效运行和定制主流 AI 模型，真正实现“开箱即用”的本地大模型实验体验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fml-explore_mlx-examples_d92a608c.png","ml-explore","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fml-explore_f68a4f02.png","Machine learning research on your laptop or in a data center - by Apple",null,"https:\u002F\u002Fgithub.com\u002Fml-explore",[81,85,89,93],{"name":82,"color":83,"percentage":84},"Python","#3572A5",83.4,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",16.1,{"name":90,"color":91,"percentage":92},"Swift","#F05138",0.4,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0,8434,1140,"2026-04-05T05:17:43","MIT","macOS","未说明",{"notes":104,"python":102,"dependencies":105},"该项目基于 MLX 框架，专为 Apple Silicon（如 M1\u002FM2\u002FM3 芯片）优化，仅支持 macOS。需先安装 MLX 核心库（https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx）。部分大模型（如 Mixtral 8x7B、Stable Diffusion）运行时可能需要较大内存，建议使用配备充足统一内存的 Mac 设备。模型权重通常从 Hugging Face 下载，首次运行需预留足够存储空间。",[],[26,14,55,54],[108],"mlx",15,"2026-03-27T02:49:30.150509","2026-04-06T06:44:38.746803",[113,118,123,128,133],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},1654,"训练和验证损失出现 NaN 值怎么办？","这通常是因为学习率过高或批大小（batch size）过大导致数值不稳定。尝试减小 batch size（例如从 4 减到 2）可以有效避免 NaN。此外，也建议检查学习率是否设置过高（如 7e-5 可能对某些模型偏高），适当降低学习率也有帮助。","https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F620",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},1655,"训练过程中出现随机的段错误（Segmentation fault）如何排查？","段错误可能与内存使用、序列长度超出限制或底层 MLX 库的兼容性有关。请确保输入序列长度不超过模型支持的最大长度（如错误提示 'Token indices sequence length is longer than the specified maximum sequence length'）。同时提供详细的复现信息：使用的模型、数据、MLX 和 mlx-lm 版本，有助于进一步诊断。","https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F642",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},1656,"MoE（Mixture of Experts）模型在微调时崩溃怎么办？","原始 MoE 实现逐 token 循环处理专家，在训练时因 batch_size * sequence_length 过大导致效率低下甚至崩溃。社区已提出向量化实现方案，并合并了相关 PR（#343），建议更新到最新版本并使用改进后的 MoE 微调代码。","https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F323",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},1657,"是否支持不使用 LoRA 的全参数微调（Full Fine-tuning）？","支持。在 mlx_lm 中可通过添加 --fine-tune-type full 参数启用全参数微调。例如：python -m mlx_lm.lora --model your_model --train --fine-tune-type full。该功能已在 Phi-2 和 TinyLlama 等模型上验证有效，建议在内存充足的设备（如 M2 Ultra 192GB）上运行。","https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F297",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},1658,"MLX 推理速度比 llama.cpp 慢，是否因为缺少 Flash Attention？","是的，当前 MLX 尚未原生支持 Flash Attention，这是导致生成阶段（token generation）速度慢于 llama.cpp（启用 -fa 时）的主要原因。虽然 prompt 处理速度相近甚至更快，但生成速度差距明显。官方尚未集成 Flash Attention，但社区对此有强烈需求。","https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-examples\u002Fissues\u002F1029",[]]