[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-openai--gpt-2":3,"tool-openai--gpt-2":64},[4,17,27,35,48,56],{"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",141543,2,"2026-04-06T11:32:54",[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":23,"last_commit_at":24,"category_tags":25,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"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":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"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。",85013,"2026-04-06T11:09:19",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":23,"last_commit_at":54,"category_tags":55,"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",[14,26,13,15,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"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。",74963,"2026-04-06T11:16:39",[15,26,13,46],{"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":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":23,"env_os":78,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":95,"github_topics":96,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":98,"updated_at":99,"faqs":100,"releases":141},4647,"openai\u002Fgpt-2","gpt-2","Code for the paper \"Language Models are Unsupervised Multitask Learners\"","gpt-2 是 OpenAI 开源的标志性语言模型项目，源自论文《语言模型是无监督的多任务学习者》。它核心解决了让机器在无特定标注数据的情况下，通过海量文本预训练来理解语言规律，并能灵活应对翻译、问答、摘要等多种下游任务的问题。作为生成式 AI 发展史上的重要里程碑，gpt-2 展示了纯无监督学习在自然语言处理领域的巨大潜力。\n\n该项目主要面向研究人员和工程师，为他们提供了一套完整的代码库和预训练模型权重，方便大家在此基础上进行实验、复现研究或开发新应用。其独特的技术亮点在于验证了“规模即能力”的理念，仅依靠预测下一个词这一简单目标，就能涌现出复杂的多任务处理能力。\n\n需要注意的是，目前 gpt-2 已进入归档状态，官方不再提供更新。由于模型训练数据包含互联网文本，生成的内容可能存在事实性错误或偏见，且在极端情况下的表现尚不完全明确。因此，它非常适合用于学术研究、算法探索或非关键场景的原型开发。若计划将其应用于对可靠性要求极高的生产环境，建议开发者务必进行细致的评估与微调，并在使用时明确标注内容为合成生成，以避免误导。","**Status:** Archive (code is provided as-is, no updates expected)\n\n# gpt-2\n\nCode and models from the paper [\"Language Models are Unsupervised Multitask Learners\"](https:\u002F\u002Fd4mucfpksywv.cloudfront.net\u002Fbetter-language-models\u002Flanguage-models.pdf).\n\nYou can read about GPT-2 and its staged release in our [original blog post](https:\u002F\u002Fopenai.com\u002Fresearch\u002Fbetter-language-models\u002F), [6 month follow-up post](https:\u002F\u002Fopenai.com\u002Fblog\u002Fgpt-2-6-month-follow-up\u002F), and [final post](https:\u002F\u002Fwww.openai.com\u002Fblog\u002Fgpt-2-1-5b-release\u002F).\n\nWe have also [released a dataset](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset) for researchers to study their behaviors.\n\n\u003Csup>*\u003C\u002Fsup> *Note that our original parameter counts were wrong due to an error (in our previous blog posts and paper).  Thus you may have seen small referred to as 117M and medium referred to as 345M.*\n\n## Usage\n\nThis repository is meant to be a starting point for researchers and engineers to experiment with GPT-2.\n\nFor basic information, see our [model card](.\u002Fmodel_card.md).\n\n### Some caveats\n\n- GPT-2 models' robustness and worst case behaviors are not well-understood.  As with any machine-learned model, carefully evaluate GPT-2 for your use case, especially if used without fine-tuning or in safety-critical applications where reliability is important.\n- The dataset our GPT-2 models were trained on contains many texts with [biases](https:\u002F\u002Ftwitter.com\u002FTomerUllman\u002Fstatus\u002F1101485289720242177) and factual inaccuracies, and thus GPT-2 models are likely to be biased and inaccurate as well.\n- To avoid having samples mistaken as human-written, we recommend clearly labeling samples as synthetic before wide dissemination.  Our models are often incoherent or inaccurate in subtle ways, which takes more than a quick read for a human to notice.\n\n### Work with us\n\nPlease [let us know](mailto:languagequestions@openai.com) if you’re doing interesting research with or working on applications of GPT-2!  We’re especially interested in hearing from and potentially working with those who are studying\n- Potential malicious use cases and defenses against them (e.g. the detectability of synthetic text)\n- The extent of problematic content (e.g. bias) being baked into the models and effective mitigations\n\n## Development\n\nSee [DEVELOPERS.md](.\u002FDEVELOPERS.md)\n\n## Contributors\n\nSee [CONTRIBUTORS.md](.\u002FCONTRIBUTORS.md)\n\n## Citation\n\nPlease use the following bibtex entry:\n```\n@article{radford2019language,\n  title={Language Models are Unsupervised Multitask Learners},\n  author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},\n  year={2019}\n}\n```\n\n## Future work\n\nWe may release code for evaluating the models on various benchmarks.\n\nWe are still considering release of the larger models.\n\n## License\n\n[Modified MIT](.\u002FLICENSE)\n","**状态:** 归档（代码按原样提供，预计不再更新）\n\n# gpt-2\n\n来自论文《语言模型是无监督的多任务学习者》（[Language Models are Unsupervised Multitask Learners](https:\u002F\u002Fd4mucfpksywv.cloudfront.net\u002Fbetter-language-models\u002Flanguage-models.pdf)）的代码和模型。\n\n您可以通过我们的[原始博客文章](https:\u002F\u002Fopenai.com\u002Fresearch\u002Fbetter-language-models\u002F)、[6个月后续文章](https:\u002F\u002Fopenai.com\u002Fblog\u002Fgpt-2-6-month-follow-up\u002F)以及[最终文章](https:\u002F\u002Fwww.openai.com\u002Fblog\u002Fgpt-2-1-5b-release\u002F)了解 GPT-2 及其分阶段发布的详情。\n\n我们还[发布了一个数据集](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2-output-dataset)，供研究人员研究这些模型的行为。\n\n\u003Csup>*\u003C\u002Fsup> *请注意，由于之前的错误（在我们的旧博客文章和论文中），我们最初的参数量统计有误。因此，您可能会看到将“小”模型称为 117M，“中”模型称为 345M。*\n\n## 使用方法\n\n本仓库旨在为研究人员和工程师提供一个实验 GPT-2 的起点。\n\n有关基本信息，请参阅我们的[模型卡片](.\u002Fmodel_card.md)。\n\n### 一些注意事项\n\n- 目前对 GPT-2 模型的鲁棒性及其最坏情况下的行为尚不完全清楚。与任何机器学习模型一样，在具体应用场景中使用 GPT-2 时，请务必谨慎评估，尤其是在未进行微调或用于对可靠性要求极高的安全关键型应用时。\n- 我们的 GPT-2 模型所训练的数据集中包含大量带有[偏见](https:\u002F\u002Ftwitter.com\u002FTomerUllman\u002Fstatus\u002F1101485289720242177)和事实性错误的文本，因此 GPT-2 模型也很可能表现出偏见并产生不准确的结果。\n- 为了避免生成的样本被误认为是人类撰写的内容，我们建议在广泛传播之前明确标注样本为“合成”。我们的模型常常会在细微之处出现不连贯或不准确的情况，而这些细节往往需要仔细阅读才能被人类察觉。\n\n### 与我们合作\n\n如果您正在利用 GPT-2 进行有趣的科研工作或开发相关应用，请[联系我们](mailto:languagequestions@openai.com)！我们尤其希望与以下领域的研究者交流并可能开展合作：\n- 潜在的恶意使用场景及其防御措施（例如，合成文本的可检测性）\n- 模型中潜在问题内容（如偏见）的程度及有效的缓解方法\n\n## 开发\n请参阅 [DEVELOPERS.md](.\u002FDEVELOPERS.md)\n\n## 贡献者\n请参阅 [CONTRIBUTORS.md](.\u002FCONTRIBUTORS.md)\n\n## 引用\n请使用以下 BibTeX 条目：\n```\n@article{radford2019language,\n  title={Language Models are Unsupervised Multitask Learners},\n  author={Radford, Alec and Wu, Jeff and Child, Rewon and Luan, David and Amodei, Dario and Sutskever, Ilya},\n  year={2019}\n}\n```\n\n## 未来工作\n我们可能会发布用于在各类基准上评估这些模型的代码。\n\n我们仍在考虑是否发布更大规模的模型。\n\n## 许可证\n[修改后的 MIT 许可证](.\u002FLICENSE)","# GPT-2 快速上手指南\n\n> **状态说明**：本项目已归档（Archive），代码按原样提供，不再更新。本指南旨在帮助研究人员和开发者基于原始代码进行实验。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL 或 Docker）。\n*   **Python 版本**：推荐 Python 3.6 或更高版本。\n*   **硬件要求**：\n    *   运行最小模型（117M 参数）：至少 4GB 显存的 GPU（推荐 NVIDIA GPU）。\n    *   运行更大模型：需要更多显存（如 774M 需 ~10GB，1.5B 需 ~16GB+）。若无 GPU，可使用 CPU 运行但速度较慢。\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (代码版本控制)\n    *   `tensorflow-gpu` (若使用 GPU) 或 `tensorflow` (CPU 版)\n\n> **国内加速建议**：\n> 安装 Python 依赖时，推荐使用清华或阿里云镜像源以提升下载速度：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将 GPT-2 源代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2.git\n    cd gpt-2\n    ```\n\n2.  **安装依赖**\n    安装项目所需的 Python 库：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *(注：若遇到 TensorFlow 安装问题，请手动安装适合您 CUDA 版本的 tensorflow-gpu)*\n\n3.  **下载模型权重**\n    运行脚本下载预训练模型。您可以选择下载所有模型或指定大小的模型（`117M`, `345M`, `774M`, `1558M`）。\n    \n    下载所有模型：\n    ```bash\n    python download_model.py all\n    ```\n    \n    或者仅下载最小模型（推荐快速测试）：\n    ```bash\n    python download_model.py 117M\n    ```\n    > **注意**：模型文件较大，下载可能需要较长时间。若网络不稳定，建议配置代理或使用支持断点续传的工具下载 `models` 目录下的文件。\n\n## 基本使用\n\n下载完成后，您可以直接使用命令行交互生成文本。\n\n**最简单的使用示例**：\n\n运行以下命令启动交互式会话（默认加载 117M 模型）：\n\n```bash\npython src\u002Finteractive_conditional_samples.py --top_k 40\n```\n\n**操作说明**：\n1.  程序启动后，终端会提示 `Model loaded`。\n2.  输入任意英文文本作为提示（Prompt），例如：`Hello, my name is`。\n3.  按下回车键，模型将自动生成后续文本。\n4.  输入 `\u003C|endoftext|>` 可退出程序。\n\n**自定义参数示例**：\n如果您下载了更大的模型（如 345M），可以通过 `--model_name` 指定：\n\n```bash\npython src\u002Finteractive_conditional_samples.py --model_name 345M --top_k 40\n```\n\n**重要提示**：\n*   GPT-2 主要基于英文语料训练，对中文的支持非常有限，生成的中文内容可能不连贯或无意义。\n*   生成的内容可能存在事实错误或偏见，请勿在未人工审核的情况下将其用于生产环境或关键应用。\n*   根据官方建议，公开发布由该模型生成的内容时，请务必明确标注为“合成文本”（Synthetic Text）。","一家小型游戏工作室正在为一款复古文字冒险游戏快速生成大量风格统一的支线剧情和物品描述。\n\n### 没有 gpt-2 时\n- 策划人员需手动撰写数百条差异化的对话文本，耗时数周且容易陷入创作瓶颈。\n- 外包写作成本高昂，且不同写手导致的文风割裂感严重，破坏游戏沉浸体验。\n- 难以动态响应玩家输入生成连贯的后续情节，只能依赖预设的固定分支选项。\n- 修改整体叙事基调（如从幽默转为严肃）需要人工逐条重写，维护成本极高。\n\n### 使用 gpt-2 后\n- 利用 gpt-2 的少样本学习能力，输入少量示例即可批量生成数千条风格一致的剧情草稿，效率提升数十倍。\n- 通过统一提示词约束，gpt-2 确保了所有生成内容在语气和用词上高度契合游戏世界观。\n- 结合游戏状态数据调用 gpt-2，能够实时生成逻辑通顺的个性化剧情反馈，实现伪开放式叙事。\n- 仅需调整初始指令，gpt-2 便能自动重新生成全套文本以适配新的叙事基调，迭代灵活便捷。\n\ngpt-2 将原本昂贵且低效的内容生产流程转化为可控的自动化流水线，让小型团队也能拥有媲美大厂的叙事内容规模。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopenai_gpt-2_042a468a.png","openai","OpenAI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopenai_1960bbf4.png","",null,"https:\u002F\u002Fopenai.com\u002F","https:\u002F\u002Fgithub.com\u002Fopenai",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,24742,5869,"2026-04-06T13:42:53","NOASSERTION","未说明",{"notes":93,"python":91,"dependencies":94},"README 中未提供具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该仓库处于归档状态，代码按原样提供，不再更新。详细开发指南请参考仓库中的 DEVELOPERS.md 文件。",[],[15],[97],"paper","2026-03-27T02:49:30.150509","2026-04-07T06:14:52.038517",[101,106,111,116,121,126,131,136],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},21136,"如何训练 GPT-2 模型（包括微调或针对特定语言如中文、印地语的训练）？","可以使用社区提供的微调代码库（如 https:\u002F\u002Fgithub.com\u002Fnshepperd\u002Fgpt-2\u002Ftree\u002Ffinetuning）。对于非英语语言（如中文或印地语），如果数据量较大（数百 MB 到 GB 级别），可能需要重新训练整个模型而不仅仅是微调。处理特定语言脚本的方法有两种：1. 直接输入 Unicode 文本并设置简单的 BPE 和 JSON 文件；2. （推荐）在您的文本数据上运行 `learn_bpe.py`（来自 BPE GitHub 项目）来生成对应的 JSON 和 BPE 文件。注意：训练可能需要数天的 GPU 时间。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F19",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},21137,"我的 CPU 不支持 TensorFlow 的 AVX 指令集，导致报错怎么办？","如果您的 CPU 较旧（如第一代 Intel i3 或 Legacy Xeon），可能不支持编译版 TensorFlow 所需的 AVX 指令集。解决方案包括：1. 尝试使用 Anaconda 安装的 TensorFlow 版本，它通常包含对旧 CPU 的兼容分布；2. 检查 TensorFlow 官方硬件要求文档以确认 CPU 兼容性；3. 如果必须使用当前环境，可能需要从源码编译适配您 CPU 指令集的 TensorFlow。降低 TensorFlow 版本（如 1.5）可能绕过部分错误但会有警告，通常不影响生成质量。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F34",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},21138,"无法运行 download_model.sh 脚本或遇到 'sh' 命令未识别错误怎么办？","在 Windows 系统上，'sh' 命令默认不可用。您可以选择以下替代方案下载模型：1. 直接使用 Google Drive 的直接下载链接（例如：https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1Eskens0NNz4a6WvqDuIB2tP3QMQ186BY）；2. 使用 curl 命令直接获取文件（需注意大文件限制）：`curl -X GET https:\u002F\u002Fstorage.googleapis.com\u002Fgpt-2\u002Fmodels\u002F117M\u002Fencoder.json`（替换具体文件名）；3. 社区已提交 PR 移除了对 gsutil 的依赖，建议更新代码库后重试。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F22",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},21139,"采样代码中的 temperature 和 top_k 参数是什么意思？如何选择最佳值？","`temperature` 控制生成的随机性（值越高越随机，越低越确定），`top_k` 限制每一步只从概率最高的 k 个词中采样。目前官方没有进行详尽的分析，默认设置 `top_k = 40` 是基于少量实验得出的经验值。若需复现结果或优化性能，建议根据具体任务通过人工评估或困惑度（ppl）等指标自行测试不同组合。社区已有 PR 增加了相关帮助文档。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F27",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},21140,"如何使用 GPT-2 进行抽象式文本摘要（Abstractive Summarization）？","GPT-2 原生并未专门针对文本摘要进行训练，但可以通过提示工程（Prompt Engineering）实现类似效果。一种有效的方法是构造输入文本，在文章末尾添加 `[article] TL;DR:` 前缀，然后使用条件生成模式运行：`python src\u002Finteractive_conditional_samples.py --nsamples=3 --length=100 --temperature=1`。模型会尝试续写摘要内容。注意：这并非专用的摘要模式，效果取决于提示设计和模型本身的泛化能力。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F33",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},21141,"安装 gsutil 太麻烦，有没有更简单的方法下载模型文件？","是的，您可以避免安装 gsutil。维护者已接受 PR 移除了该依赖。临时解决方案包括：1. 直接使用 curl 命令下载单个文件，例如：`curl -X GET https:\u002F\u002Fstorage.googleapis.com\u002Fgpt-2\u002Fmodels\u002F117M\u002Fencoder.json`；2. 使用 Google Drive 的直接下载链接；3. 更新仓库到最新版本，使用改进后的下载脚本。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F18",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},21142,"运行 download_model.sh 时出现 401 未授权或 403 拒绝访问错误怎么办？","这通常是因为脚本参数缺失或权限配置问题。常见原因及解决：1. 确保运行脚本时传入了模型名称参数，正确用法是：`sh download_model.sh 117M`（缺少参数会导致路径错误从而引发 401）；2. 如果使用 gsutil 且已登录谷歌云，仍报 403，可能是因为账户无权列出存储桶对象，此时建议改用无需认证的直接下载链接（如 Google Drive 链接或配置好公共读取权限的 curl 地址）；3. 社区已提供移除 gsutil 依赖的修复方案，建议拉取最新代码。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F1",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},21143,"GPT-2 能否像 Google Smart Compose 那样实现句子自动补全（预测下一个词）？","可以。虽然示例代码默认生成随机句子，但您可以通过“条件生成”模式实现自动补全。只需将您的前半句作为输入提供给模型，模型就会基于上下文预测后续内容。例如，输入 \"My father gifted me\"，模型会续写接下来的词语。您可以使用 `interactive_conditional_samples.py` 脚本并传入自定义文本来实现此功能。目前也有第三方在线演示（如 https:\u002F\u002Fgpt2.apps.allenai.org）支持此类交互。","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-2\u002Fissues\u002F96",[]]