[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-openxla--xla":3,"tool-openxla--xla":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":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":119,"forks":120,"last_commit_at":121,"license":122,"difficulty_score":10,"env_os":123,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":126,"github_topics":79,"view_count":127,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":128,"updated_at":129,"faqs":130,"releases":156},731,"openxla\u002Fxla","xla","A machine learning compiler for GPUs, CPUs, and ML accelerators","XLA（Accelerated Linear Algebra）是一款专为高性能计算设计的开源机器学习编译器。它能将来自 PyTorch、TensorFlow 和 JAX 等主流框架的模型进行深度优化，使其在 GPU、CPU 以及各类专用 AI 加速器上都能高效运行。\n\n在实际应用中，不同硬件对模型执行的支持往往存在差异，导致推理或训练速度受限。XLA 通过底层编译技术，自动优化计算图，解决了模型跨平台部署时的性能瓶颈问题，让算法能更充分地利用硬件算力。\n\nXLA 主要面向机器学习开发者、算法工程师及研究人员。如果你正在构建需要高吞吐量的生产级模型，或者希望探索特定硬件上的最佳实践，XLA 是非常值得关注的选择。对于普通用户而言，通常无需直接操作 XLA，因为大多数框架已在其内部集成了相关功能。\n\nXLA 的独特之处在于其强大的后端兼容性，不仅支持通用处理器，还能针对定制化的 ML 加速器进行优化。此外，作为 OpenXLA 生态的核心组件，它拥有活跃的社区支持和完善的贡献指南，欢迎有兴趣的技术人员参与共建。","# XLA\n\nXLA (Accelerated Linear Algebra) is an open-source machine learning (ML)\ncompiler for GPUs, CPUs, and ML accelerators.\n\n\u003Cpicture>\n  \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"docs\u002Fimages\u002Fopenxla_dark.svg\">\n  \u003Cimg alt=\"OpenXLA Ecosystem\" src=\"docs\u002Fimages\u002Fopenxla.svg\">\n\u003C\u002Fpicture>\n\nThe XLA compiler takes models from popular ML frameworks such as PyTorch,\nTensorFlow, and JAX, and optimizes them for high-performance execution across\ndifferent hardware platforms including GPUs, CPUs, and ML accelerators.\n\n[openxla.org](https:\u002F\u002Fopenxla.org\u002F) is the project's website.\n\n## Get started\n\nIf you want to use XLA to compile your ML project, refer to the corresponding\ndocumentation for your ML framework:\n\n* [PyTorch](https:\u002F\u002Fpytorch.org\u002Fxla)\n* [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Fxla)\n* [JAX](https:\u002F\u002Fjax.readthedocs.io\u002Fen\u002Flatest\u002Fnotebooks\u002Fquickstart.html)\n\nIf you're not contributing code to the XLA compiler, you don't need to clone and\nbuild this repo. Everything here is intended for XLA contributors who want to\ndevelop the compiler and XLA integrators who want to debug or add support for ML\nfrontends and hardware backends.\n\n## Contribute\n\nIf you'd like to contribute to XLA, review\n[How to Contribute](docs\u002Fcontributing.md) and then see the\n[developer guide](docs\u002Fdeveloper_guide.md).\n\n## Contacts\n\n*   For questions, contact the maintainers - maintainers at openxla.org\n\n## Resources\n\n*   [Community Resources](https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fcommunity)\n\n## Code of Conduct\n\nWhile under TensorFlow governance, all community spaces for SIG OpenXLA are\nsubject to the\n[TensorFlow Code of Conduct](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002FCODE_OF_CONDUCT.md).\n","# XLA\n\nXLA（加速线性代数）是一个开源的机器学习（ML）编译器，适用于 GPU、CPU 和 ML 加速器。\n\n\u003Cpicture>\n  \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"docs\u002Fimages\u002Fopenxla_dark.svg\">\n  \u003Cimg alt=\"OpenXLA Ecosystem\" src=\"docs\u002Fimages\u002Fopenxla.svg\">\n\u003C\u002Fpicture>\n\nXLA 编译器从流行的 ML 框架（如 PyTorch、TensorFlow 和 JAX）中获取模型，并针对包括 GPU、CPU 和 ML 加速器在内的不同硬件平台进行优化，以实现高性能执行。\n\n[openxla.org](https:\u002F\u002Fopenxla.org\u002F) 是该项目的主页。\n\n## 开始使用\n\n如果您想使用 XLA 编译您的 ML 项目，请参考您使用的 ML 框架对应的文档：\n\n* [PyTorch](https:\u002F\u002Fpytorch.org\u002Fxla)\n* [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Fxla)\n* [JAX](https:\u002F\u002Fjax.readthedocs.io\u002Fen\u002Flatest\u002Fnotebooks\u002Fquickstart.html)\n\n如果您不为 XLA 编译器贡献代码，则无需克隆和构建此仓库。此处所有内容旨在供希望开发编译器的 XLA 贡献者，以及希望调试或为 ML 前端和硬件后端添加支持的 XLA 集成人员使用。\n\n## 贡献\n\n如果您想为 XLA 做出贡献，请查阅 [如何贡献](docs\u002Fcontributing.md)，然后查看 [开发者指南](docs\u002Fdeveloper_guide.md)。\n\n## 联系方式\n\n*   如有疑问，请联系维护者 - maintainers at openxla.org\n\n## 资源\n\n*   [社区资源](https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fcommunity)\n\n## 行为准则\n\n在 TensorFlow 治理下，SIG OpenXLA 的所有社区空间均受 [TensorFlow 行为准则](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002FCODE_OF_CONDUCT.md) 约束。","# XLA 快速上手指南\n\n## 简介\nXLA (Accelerated Linear Algebra) 是一个开源机器学习编译器，支持 GPU、CPU 和 ML 加速器。它可将 PyTorch、TensorFlow 和 JAX 等主流框架的模型优化为高性能执行代码。项目官网：[openxla.org](https:\u002F\u002Fopenxla.org\u002F)。\n\n## 环境准备\n在使用 XLA 之前，请确保您的开发环境满足以下要求：\n- **硬件**：配备 GPU、CPU 或专用 ML 加速器的计算设备。\n- **操作系统**：支持 Linux、macOS 或 Windows（取决于具体框架）。\n- **编程语言**：Python。\n- **深度学习框架**：根据需求选择以下之一：\n  - [PyTorch](https:\u002F\u002Fpytorch.org\u002Fxla)\n  - [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Fxla)\n  - [JAX](https:\u002F\u002Fjax.readthedocs.io\u002Fen\u002Flatest\u002Fnotebooks\u002Fquickstart.html)\n\n> **注意**：如果您仅是为了使用 XLA 编译项目，无需克隆本仓库。XLA 通常作为后端集成在框架中。仅当您希望参与编译器开发或调试硬件支持时，才需要构建此仓库。\n\n## 安装步骤\n\n### 1. 普通用户（通过框架使用）\n大多数情况下，您只需安装对应的深度学习框架即可启用 XLA 支持。\n\n```bash\n# 安装 PyTorch (含 XLA 支持)\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n\n# 安装 TensorFlow (含 XLA 支持)\npip install tensorflow\n\n# 安装 JAX (含 XLA 支持)\npip install jax jaxlib\n```\n\n### 2. 贡献者（构建源码）\n如果您计划向 XLA 编译器贡献代码或添加新硬件支持，请克隆并构建仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla.git\ncd xla\n# 参考 docs\u002Fdeveloper_guide.md 进行构建\n```\n\n## 基本使用\n\nXLA 的具体配置和使用方法因框架而异，请参考各框架的官方文档进行初始化：\n\n- **PyTorch**: 访问 [PyTorch XLA](https:\u002F\u002Fpytorch.org\u002Fxla) 了解如何配置分布式训练和加速。\n- **TensorFlow**: 访问 [TensorFlow XLA](https:\u002F\u002Fwww.tensorflow.org\u002Fxla) 查看优化选项。\n- **JAX**: 运行 [JAX Quickstart Notebook](https:\u002F\u002Fjax.readthedocs.io\u002Fen\u002Flatest\u002Fnotebooks\u002Fquickstart.html) 体验基础用法。\n\n### 开发者资源\n- **社区资源**: [Community Resources](https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fcommunity)\n- **贡献指南**: 阅读 [How to Contribute](docs\u002Fcontributing.md) 和 [Developer Guide](docs\u002Fdeveloper_guide.md)。\n- **联系方式**: 如有问题，请联系维护者 (maintainers at openxla.org)。","某金融风控团队正在将基于 TensorFlow 训练的复杂风控模型部署到混合云环境，需同时利用数据中心 GPU 集群和边缘服务器的 CPU 进行实时交易决策，以应对每秒数千次的请求压力。\n\n### 没有 xla 时\n- 针对不同硬件架构需手动重写部分算子逻辑，开发周期长且易出错\n- 原始计算图未优化，大量中间结果冗余存储，导致推理延迟高达数百毫秒\n- 多框架切换时存在精度损失风险，难以保证线上与离线效果一致\n- 显存管理粗放，大并发下频繁触发 OOM 错误，服务稳定性差\n\n### 使用 xla 后\n- 自动将计算图编译为机器码，无需修改代码即可在 GPU 或 CPU 上无缝运行\n- 通过算子融合与内存规划，推理速度提升 3 倍以上，延迟降至毫秒级\n- 保持数值精度一致性，确保训练与部署阶段的模型行为完全匹配\n- 智能调度硬件资源，有效降低显存占用，支撑更高并发的实时请求\n\nXLA 通过底层编译器技术打通了异构硬件壁垒，让机器学习模型实现一次编译、处处加速的高效落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopenxla_xla_b6ebe8e2.png","openxla","OpenXLA","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopenxla_f9883d77.png","A community-driven, open source ML compiler ecosystem, using the best of XLA & MLIR.",null,"https:\u002F\u002Fgithub.com\u002Fopenxla",[82,86,90,94,98,102,106,109,113,116],{"name":83,"color":84,"percentage":85},"C++","#f34b7d",86,{"name":87,"color":88,"percentage":89},"MLIR","#5EC8DB",4.9,{"name":91,"color":92,"percentage":93},"Starlark","#76d275",4.8,{"name":95,"color":96,"percentage":97},"C","#555555",3.5,{"name":99,"color":100,"percentage":101},"Python","#3572A5",0.5,{"name":103,"color":104,"percentage":105},"Smarty","#f0c040",0.1,{"name":107,"color":108,"percentage":105},"Shell","#89e051",{"name":110,"color":111,"percentage":112},"CMake","#DA3434",0,{"name":114,"color":115,"percentage":112},"LLVM","#185619",{"name":117,"color":118,"percentage":112},"Go Template","#00ADD8",4136,775,"2026-04-05T18:39:00","Apache-2.0","未说明",{"notes":125,"python":123,"dependencies":123},"本仓库主要针对 XLA 编译器贡献者和集成者。普通用户无需克隆或构建此仓库，应参考对应机器学习框架（如 PyTorch、TensorFlow、JAX）的文档来使用 XLA 进行模型编译和优化。",[13],4,"2026-03-27T02:49:30.150509","2026-04-06T09:46:07.196655",[131,136,141,146,151],{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3097,"ROCm 平台上运行 Triton 内核时性能为何显著低于 PyTorch？","主要原因是 XLA 未正确发射 mfma 指令。解决方案是确保传递正确的架构名称以启用 mfma 支持（参考 PR #23654）。应用补丁后，MI300X 上的性能可从 5ms 提升至 625us。同时需注意 ThreadPerWarp 设置，默认硬编码为 32，某些场景下可能需要调整为 64。","https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla\u002Fissues\u002F23574",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3098,"使用 FP8 精度时遇到 'INTERNAL: cublasLtMatmul' 错误如何解决？","该错误通常由特定提交引入。通过 Bisect 分析定位到问题提交（如 f459e57），回滚该提交即可消除错误。建议在后续开发中创建单元测试以便在早期阶段捕获类似错误。","https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla\u002Fissues\u002F6370",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},3099,"从源码构建 XLA CPU 版本失败，提示找不到头文件怎么办？","检查 Bazel 编译子命令是否包含 `-iquote .` 参数以确保能找到头文件（如 gpublas_lt_matmul_thunk.h）。确认编译器版本兼容性（如 Clang 17 和 Bazel 6.5.0）。若涉及 google_fuzztest 依赖冲突，可能需要等待上游修复或手动调整依赖版本。","https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla\u002Fissues\u002F14352",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},3100,"在 XLA 中进行大模型训练时有哪些推荐的 GPU 优化配置标志？","可启用异步通信和 cuDNN 前端以提升性能。推荐标志包括：`--xla_gpu_graph_level=3`, `--xla_gpu_enable_async_all_reduce=true`, `--xla_gpu_enable_async_collectives=true`, `--xla_gpu_enable_cudnn_frontend=true`, `--xla_gpu_enable_cudnn_fmha=true`。建议使用最新的 Nvidia 镜像配合最新版本的 Paxml\u002FPraxis 进行复现。","https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla\u002Fissues\u002F8210",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},3101,"Copybara 生成的 PR 如何正确关联到原始作者？","需确保 Google 员工已加入 openxla 组织，因为 Github 限制无法直接分配非组织成员。维护者会向团队发送邀请邮件，用户需确认接收并加入组织，这样 Github 才能正确映射作者信息。部分自动化变更可能因内部 CL 起始而较难覆盖。","https:\u002F\u002Fgithub.com\u002Fopenxla\u002Fxla\u002Fissues\u002F448",[]]