[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-openai--gpt-2-output-dataset":3,"tool-openai--gpt-2-output-dataset":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":100,"github_topics":80,"view_count":101,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":139},456,"openai\u002Fgpt-2-output-dataset","gpt-2-output-dataset","Dataset of GPT-2 outputs for research in detection, biases, and more","gpt-2-output-dataset 是一个为研究 GPT-2 模型生成文本特性而设计的开源数据集，包含大量由不同规模 GPT-2 模型生成的文本样本。它通过对比原始训练数据（WebText 测试集）与模型输出，帮助研究者分析 AI 生成内容的可检测性、潜在偏见及模型行为差异。\n\n该数据集解决了 AI 生成文本检测领域缺乏标准化样本的问题。研究人员可通过其中不同参数（如 Top-K 采样）和模型规模（从 1.17 亿到 15.42 亿参数）生成的 250 万条数据，验证检测算法的有效性，并探索模型微调对生成内容的影响。例如，数据中包含针对亚马逊评论的微调模型样本，可用于研究对抗检测的方法。\n\n主要面向 AI 安全研究人员、自然语言处理开发者及学术机构使用者。其技术亮点在于提供了系统化的对比数据：既包含随机采样（temperature=1）与截断采样（Top-K 40）两种生成方式，又覆盖了不同模型规模的输出，还附带了初步检测基准代码和分析结果。用户可通过 Google Cloud 或 Azure 存储库下载结构化 JSONL 文件，数据集已验证在 Top-K 40 生成场景下检测准","gpt-2-output-dataset 是一个为研究 GPT-2 模型生成文本特性而设计的开源数据集，包含大量由不同规模 GPT-2 模型生成的文本样本。它通过对比原始训练数据（WebText 测试集）与模型输出，帮助研究者分析 AI 生成内容的可检测性、潜在偏见及模型行为差异。\n\n该数据集解决了 AI 生成文本检测领域缺乏标准化样本的问题。研究人员可通过其中不同参数（如 Top-K 采样）和模型规模（从 1.17 亿到 15.42 亿参数）生成的 250 万条数据，验证检测算法的有效性，并探索模型微调对生成内容的影响。例如，数据中包含针对亚马逊评论的微调模型样本，可用于研究对抗检测的方法。\n\n主要面向 AI 安全研究人员、自然语言处理开发者及学术机构使用者。其技术亮点在于提供了系统化的对比数据：既包含随机采样（temperature=1）与截断采样（Top-K 40）两种生成方式，又覆盖了不同模型规模的输出，还附带了初步检测基准代码和分析结果。用户可通过 Google Cloud 或 Azure 存储库下载结构化 JSONL 文件，数据集已验证在 Top-K 40 生成场景下检测准确率可达 90% 以上。\n\n数据存储位置已迁移至 Azure 公共存储库，提供训练集、验证集和测试集的完整划分。对于希望改进文本检测算法、研究模型偏见或探索对抗样本的研究者来说，这是一个重要的实验基础资源。","# gpt-2-output-dataset\n\nThis dataset contains:\n- 250K documents from the WebText test set\n- For each GPT-2 model (trained on the WebText training set), 250K random samples (temperature 1, no truncation) and 250K samples generated with Top-K 40 truncation\n\nWe look forward to the research produced using this data!\n\n### Download\n\nFor each model, we have a training split of 250K generated examples, as well as validation and test splits of 5K examples.\n\nAll data is located in Google Cloud Storage, under the directory `gs:\u002F\u002Fgpt-2\u002Foutput-dataset\u002Fv1`.  (NOTE: everything has been migrated to Azure `https:\u002F\u002Fopenaipublic.blob.core.windows.net\u002Fgpt-2\u002Foutput-dataset\u002Fv1\u002F`)\n\nThere, you will find files:\n\n- `webtext.${split}.jsonl`\n- `small-117M.${split}.jsonl`\n- `small-117M-k40.${split}.jsonl`\n- `medium-345M.${split}.jsonl`\n- `medium-345M-k40.${split}.jsonl`\n- `large-762M.${split}.jsonl`\n- `large-762M-k40.${split}.jsonl`\n- `xl-1542M.${split}.jsonl`\n- `xl-1542M-k40.${split}.jsonl`\n\nwhere split is one of `train`, `test`, and `valid`.\n\nWe've provided a script to download all of them, in `download_dataset.py`.\n\n#### Finetuned model samples\n\nAdditionally, we encourage research on detection of finetuned models.  We have released data under `gs:\u002F\u002Fgpt-2\u002Foutput-dataset\u002Fv1-amazonfinetune\u002F` with samples from a GPT-2 full model finetuned to output Amazon reviews.\n\n### Detectability baselines\n\nWe're interested in seeing research in detectability of GPT-2 model family generations.\n\nWe provide some [initial analysis](detection.md) of two baselines, as well as [code](.\u002Fbaseline.py) for the better baseline.\n\nOverall, we are able to achieve accuracies in the mid-90s for Top-K 40 generations, and mid-70s to high-80s (depending on model size) for random generations.  We also find some evidence that adversaries can evade detection via finetuning from released models.\n\n### Data removal requests\n\nIf you believe your work is included in WebText and would like us to remove it, please let us know at webtextdata@openai.com.\n","# gpt-2-output-dataset\n\n该数据集包含：\n- 25万个来自WebText测试集的文档\n- 对于每个GPT-2模型（训练数据为WebText训练集），包含25万个随机样本（温度参数1，无截断）和25万个通过Top-K 40截断（Top-K 40 truncation）生成的样本\n\n我们期待使用这些数据进行的研究成果！\n\n### 下载\n\n对于每个模型，我们提供了25万个生成样本的训练集，以及各5千个样本的验证集和测试集。\n\n所有数据存储在Google Cloud Storage的目录 `gs:\u002F\u002Fgpt-2\u002Foutput-dataset\u002Fv1` 中。（注意：所有数据已迁移至Azure `https:\u002F\u002Fopenaipublic.blob.core.windows.net\u002Fgpt-2\u002Foutput-dataset\u002Fv1\u002F`）\n\n您将找到以下文件：\n\n- `webtext.${split}.jsonl`\n- `small-117M.${split}.jsonl`\n- `small-117M-k40.${split}.jsonl`\n- `medium-345M.${split}.jsonl`\n- `medium-345M-k40.${split}.jsonl`\n- `large-762M.${split}.jsonl`\n- `large-762M-k40.${split}.jsonl`\n- `xl-1542M.${split}.jsonl`\n- `xl-1542M-k40.${split}.jsonl`\n\n其中 split 可以是 `train`（训练）、`test`（测试）和 `valid`（验证）之一。\n\n我们提供了一个下载脚本 `download_dataset.py` 来获取所有文件。\n\n#### 微调模型样本\n\n此外，我们鼓励对微调模型检测的研究。我们发布了位于 `gs:\u002F\u002Fgpt-2\u002Foutput-dataset\u002Fv1-amazonfinetune\u002F` 的数据，包含从完整GPT-2模型微调后生成亚马逊评论的样本。\n\n### 生成内容可检测性基线\n\n我们希望看到针对GPT-2模型家族生成内容可检测性的研究。\n\n我们提供了[初步分析](detection.md)的两个基线方法，以及[代码](.\u002Fbaseline.py)实现更优的基线方法。\n\n总体而言，我们对Top-K 40生成内容的准确率可达95%左右，对随机生成内容的准确率为75%-85%（取决于模型规模）。我们还发现一些证据表明，攻击者可以通过从已发布模型进行微调来规避检测。\n\n### 数据移除请求\n\n如果您认为您的作品包含在WebText中并希望我们移除，请通过 webtextdata@openai.com 与我们联系。","# gpt-2-output-dataset 快速上手指南\n\n## 环境准备\n- 系统要求：Linux\u002FmacOS，Python 3.7+\n- 前置依赖：\n  - Azure CLI 工具（推荐使用 [Azure 中国镜像源](https:\u002F\u002Flearn.microsoft.com\u002Fzh-cn\u002Fazure\u002Fchina\u002Fazure-cli)）\n  - Python 库：`python-dotenv`（用于管理环境变量）\n\n## 安装步骤\n1. 安装 Azure CLI  \n   ```bash\n   curl -sL https:\u002F\u002Faka.ms\u002FInstallAzureCLIDeb | sudo bash\n   ```\n\n2. 安装 Python 依赖  \n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple python-dotenv\n   ```\n\n3. 下载数据集脚本  \n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset.git\n   cd gpt-2-output-dataset\n   ```\n\n4. 执行下载脚本  \n   ```bash\n   python download_dataset.py\n   ```\n\n## 基本使用\n```python\n# 示例：解析生成的 JSONL 文件\nimport json\n\nwith open('small-117M.train.jsonl', 'r') as f:\n    for line in f:\n        data = json.loads(line)\n        print(f\"文本内容: {data['text'][:100]}...\")\n        print(f\"模型类型: {data['model']}\")\n        print(f\"生成参数: {data['params']}\\n\")\n```\n\n> ⚠️ 注意：数据存储在 Azure 公共容器中，首次下载需配置 Azure CLI 认证（可通过 `az login` 使用中国区账户登录）","某AI安全团队正在开发一个虚假信息检测系统，需要研究GPT-2生成文本的特征模式。他们发现当前检测算法对不同参数设置的生成文本识别率差异较大。\n\n### 没有 gpt-2-output-dataset 时\n- 需要自行运行GPT-2模型生成测试数据，单次生成25万条样本就需要72小时GPU时间\n- 无法保证不同模型版本（small\u002Fxl）和参数配置（Top-K 40 vs 无截断）的数据一致性\n- 缺乏标准验证集，每次实验都要手动划分训练\u002F测试数据，导致结果可比性差\n- 遇到微调模型样本时，需要联系第三方获取特殊训练数据\n- 检测算法在对抗样本上的准确率评估缺乏基准参考\n\n### 使用 gpt-2-output-dataset 后\n- 可直接从Azure云存储下载预生成的250万条样本，包含所有模型尺寸和参数组合\n- 标准化的train\u002Fvalid\u002Ftest数据划分使实验复现更可靠，验证集准确率波动降低40%\n- 提供的基准测试结果（如95% Top-K 40检测准确率）成为算法优化的参照系\n- 亚马逊评论微调样本集帮助团队针对性提升对抗样本检测能力\n- 通过对比不同温度参数的输出分布，发现生成文本的句法重复模式特征\n\n该工具通过提供标准化、多维度的GPT-2输出样本集，使检测算法研究效率提升3倍以上，同时确保实验结果的科学性和可比性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopenai_gpt-2-output-dataset_0b4e54b8.png","openai","OpenAI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopenai_1960bbf4.png","",null,"https:\u002F\u002Fopenai.com\u002F","https:\u002F\u002Fgithub.com\u002Fopenai",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",86.8,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",13.2,2023,549,"2026-03-16T03:07:39","MIT",1,"未说明",{"notes":99,"python":97,"dependencies":97},"数据存储于Google Cloud Storage和Azure，需网络访问；包含约250K文档和模型生成样本，下载需较大磁盘空间",[15,34],4,"2026-03-27T02:49:30.150509","2026-04-06T07:15:06.160601",[105,110,115,120,125,130,135],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},1775,"下载模型检查点时出现403 Forbidden错误如何解决？","使用更新后的URL地址：https:\u002F\u002Fopenaipublic.azureedge.net\u002Fgpt-2\u002Fdetector-models\u002Fv1\u002Fdetector-large.pt。原Google Storage链接已失效，需替换为Azure Edge的公开访问地址。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F27",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},1771,"如何解决运行Web检测器时出现的'No module named torch'错误？","在Ubuntu系统中需将代码中的'python'替换为'python3'，因为系统默认的python可能指向Python 2版本。修改detector\u002Fserver.py第96行的'python'为'python3'即可解决问题。此问题常见于同时安装Python 2和3的Linux系统。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F8",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},1772,"为什么代码中使用子进程获取CUDA设备数量？","这是为了避免多GPU多进程训练时的CUDA错误。当使用fork方法创建子进程时，若在父进程中调用CUDA API会导致子进程初始化失败。通过子进程执行'import torch; print(torch.cuda.device_count())'可规避此问题，详情参考：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F22950047\u002Fcuda-initialization-error-after-fork","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F13",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},1773,"如何读取JSON lines格式的数据文件？","使用pandas的read_json方法并设置lines=True参数即可。示例代码：\nimport pandas as pd\njson_data = pd.read_json('json_file_path', lines=True)\njson_data.head(5)","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F43",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},1774,"下载模型时提示'The specified bucket does not exist'怎么办？","请更新项目代码到最新版本，因为存储路径已变更。执行'git pull origin master'后重新运行download_model.py脚本。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F29",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},1776,"运行detector.train时提示模块缺失如何解决？","需要从项目根目录以模块方式运行，使用命令：python -m detector.train。此方式可正确加载相对导入的dataset\u002Fdownload\u002Futils模块。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset\u002Fissues\u002F11",{"id":136,"question_zh":137,"answer_zh":138,"source_url":114},1777,"如何正确配置多GPU训练的CPU\u002FGPU资源？","在单节点CPU训练时无需多进程，可直接使用：\nif torch.cuda.is_available():\n   num_workers = int(torch.cuda.device_count())\n对于TensorFlow配置，参考示例：\nN_CPU = multiprocessing.cpu_count()\nos.environ['OMP_NUM_THREADS'] = str(max(1, N_CPU))\ntf.ConfigProto(device_count={'GPU': 1, 'CPU': N_CPU}, ...)",[]]