[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-reasoning-machines--pal":3,"tool-reasoning-machines--pal":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",140436,2,"2026-04-05T23:32:43",[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。",74939,"2026-04-05T23:16:38",[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。",70626,"2026-04-05T22:51:36",[15,14,13,36],{"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":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":88,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":10,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":131},4085,"reasoning-machines\u002Fpal","pal","PaL: Program-Aided Language Models (ICML 2023)","PaL（Program-Aided Language Models）是一个创新的开源框架，旨在提升大语言模型在处理复杂算术和逻辑推理任务时的准确性。传统模型仅靠生成文本进行推理时，常因计算失误或逻辑跳跃导致错误；PaL 巧妙地让模型生成“文本 + 代码”混合的推理链，并将代码部分交给 Python 解释器执行，从而将复杂的计算过程外包给可靠的程序运行时，确保结果精准。\n\n这一方法特别适合 AI 研究人员、开发者以及需要解决高难度数学应用题、日期推理或多步骤逻辑问题的技术团队使用。其核心亮点在于“代码即推理”的理念：模型不再试图凭空算出答案，而是编写可执行的 Python 代码来求解，既保留了语言模型的灵活性，又利用了编程语言的严谨性。项目提供了交互式接口和多种评测脚本，支持包括 Code Davinci 和 ChatGPT 在内的多种后端，并发布了更具挑战性的 GSM-Hard 数据集以推动领域发展。无论是想复现 ICML 2023 论文成果，还是希望构建更可靠的推理系统，PaL 都提供了一个简洁高效的实现方案。","# PaL:  Program-Aided Language Model\nRepo for the paper [PaL: Program-Aided Language Models](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2211.10435.pdf).\n\nIn PaL, Large Language Model solves reasoning problems that involve complex arithmetic and procedural tasks by generating reasoning chains of **text and code**.  This offloads the execution of the code to a program runtime, in our case, a Python interpreter. In our paper, we implement PaL using a few-shot prompting approach. \n\n\u003Cimg width=\"879\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_c74e1ce8d638.png\">\n\n\nThis repo provides an interactive implementation of PAL.\n\n## News 📢\n[Mar 2023] We have added supports for ChatGPT APIs (e.g., gpt-3.5-turbo). We expect a smooth transition for PAL over the codex API shutdown. Checkout a beta script `scripts\u002Fgsm_chatgpt.py` for Math reasoning.\n\n[Jan 2023] We release [GSM-hard](https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fblob\u002Fmain\u002Fdatasets\u002Fgsmhardv2.jsonl), a harder version of GSM8k we created. Also avaliable on [Huggingface 🤗](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Freasoning-machines\u002Fgsm-hard)\n```python\nimport datasets\ngsm_hard = datasets.load_dataset(\"reasoning-machines\u002Fgsm-hard\")\n\n```\n## Installation\nClone this repo and install with `pip`.\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fluyug\u002Fpal\npip install -e .\u002Fpal\n```\n\nBefore running the scripts, set the OpenAI key,\n```export OPENAI_API_KEY='sk-...'```\n## Interactive Usage\nThe core components of the `pal` package are the Interface classes. Specifically, `ProgramInterface` connects the LLM backend, a Python backend and user prompts.\n```\nimport pal\nfrom pal.prompt import math_prompts\n\ninterface = pal.interface.ProgramInterface(\n  model='code-davinci-002',\n  stop='\\n\\n\\n', # stop generation str for Codex API\n  get_answer_expr='solution()' # python expression evaluated after generated code to obtain answer \n)\n\nquestion = 'xxxxx'\nprompt = math_prompts.MATH_PROMPT.format(question=question)\nanswer = interface.run(prompt)\n```\nHere, the `interface` 's `run`  method will run generation with the OpenAI API, run the generated snippet and then evaluate `get_answer_expr` (here `solution()`) to obtain the final answer.  \n\nUser should set `get_answer_expr` based on the prompt.\n\n## Inference Loop\nWe provide simple inference loops in the `scripts\u002F` folder.\n```\nmkdir eval_results\npython scripts\u002F{colored_objects|gsm|date_understanding|penguin}_eval.py\n``` \n\nWe have a beta release of a **ChatGPT** dedicated script for math reasoning.\n```\npython scripts\u002Fgsm_chatgpt.py\n``` \n\nFor running bulk inference, we used the generic prompting library [prompt-lib](https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fprompt-lib) and recommend it for running CoT inferenence on all tasks used in our work.\n\n## Results\n\n\u003Cimg width=\"831\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_848341892953.png\">\n\n\u003Cimg width=\"1166\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_734f31d6d551.png\">\n\n\u003Cimg width=\"597\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_b42678c60d3e.png\">\n\nFor the complete details of the results, see the [paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2211.10435.pdf) .\n\n## Citation\n```\n@article{gao2022pal,\n  title={PAL: Program-aided Language Models},\n  author={Gao, Luyu and Madaan, Aman and Zhou, Shuyan and Alon, Uri and Liu, Pengfei and Yang, Yiming and Callan, Jamie and Neubig, Graham},\n  journal={arXiv preprint arXiv:2211.10435},\n  year={2022}\n}\n```\n","# PaL: 程序辅助语言模型\n用于论文 [PaL: 程序辅助语言模型](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2211.10435.pdf) 的代码库。\n\n在 PaL 中，大型语言模型通过生成包含 **文本和代码** 的推理链来解决涉及复杂算术和程序化任务的推理问题。这样可以将代码的执行工作交由程序运行时环境完成，在我们的案例中是 Python 解释器。在论文中，我们采用少样本提示的方式实现了 PaL。\n\n\u003Cimg width=\"879\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_c74e1ce8d638.png\">\n\n\n该仓库提供了 PaL 的交互式实现。\n\n## 新闻 📢\n[2023年3月] 我们增加了对 ChatGPT API（例如 gpt-3.5-turbo）的支持。我们预计这将使 PaL 在 Codex API 停止服务后能够平稳过渡。请查看用于数学推理的测试版脚本 `scripts\u002Fgsm_chatgpt.py`。\n\n[2023年1月] 我们发布了 [GSM-hard](https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fblob\u002Fmain\u002Fdatasets\u002Fgsmhardv2.jsonl)，这是我们创建的 GSM8k 更难版本。它也在 [Huggingface 🤗](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Freasoning-machines\u002Fgsm-hard) 上提供。\n```python\nimport datasets\ngsm_hard = datasets.load_dataset(\"reasoning-machines\u002Fgsm-hard\")\n```\n## 安装\n克隆此仓库并使用 `pip` 进行安装。\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fluyug\u002Fpal\npip install -e .\u002Fpal\n```\n\n在运行脚本之前，请设置 OpenAI 密钥：\n```export OPENAI_API_KEY='sk-...'```\n## 交互式使用\n`pal` 包的核心组件是 Interface 类。具体来说，`ProgramInterface` 将语言模型后端、Python 后端和用户提示连接起来。\n```\nimport pal\nfrom pal.prompt import math_prompts\n\ninterface = pal.interface.ProgramInterface(\n  model='code-davinci-002',\n  stop='\\n\\n\\n', # Codex API 的停止生成字符串\n  get_answer_expr='solution()' # 生成代码后评估以获取答案的 Python 表达式 \n)\n\nquestion = 'xxxxx'\nprompt = math_prompts.MATH_PROMPT.format(question=question)\nanswer = interface.run(prompt)\n```\n在这里，`interface` 的 `run` 方法会使用 OpenAI API 执行生成任务，运行生成的代码片段，然后评估 `get_answer_expr`（此处为 `solution()`）以得到最终答案。\n\n用户应根据提示设置 `get_answer_expr`。\n## 推理循环\n我们在 `scripts\u002F` 文件夹中提供了简单的推理循环。\n```\nmkdir eval_results\npython scripts\u002F{colored_objects|gsm|date_understanding|penguin}_eval.py\n``` \n\n我们还提供了一个用于数学推理的 **ChatGPT** 专用测试版脚本。\n```\npython scripts\u002Fgsm_chatgpt.py\n``` \n\n对于批量推理，我们使用了通用提示库 [prompt-lib](https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fprompt-lib)，并推荐将其用于在我们工作中使用的所有任务上进行 CoT 推理。\n## 结果\n\n\u003Cimg width=\"831\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_848341892953.png\">\n\n\u003Cimg width=\"1166\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_734f31d6d551.png\">\n\n\u003Cimg width=\"597\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_readme_b42678c60d3e.png\">\n\n有关结果的完整细节，请参阅 [论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2211.10435.pdf)。\n\n## 引用\n```\n@article{gao2022pal,\n  title={PAL: Program-aided Language Models},\n  author={Gao, Luyu and Madaan, Aman and Zhou, Shuyan and Alon, Uri and Liu, Pengfei and Yang, Yiming and Callan, Jamie and Neubig, Graham},\n  journal={arXiv preprint arXiv:2211.10435},\n  year={2022}\n}\n```","# PaL (Program-Aided Language Model) 快速上手指南\n\nPaL 是一个让大语言模型通过生成**文本与代码混合链**来解决复杂算术和程序性推理问题的框架。它将代码执行卸载到 Python 解释器中，从而获得更准确的推理结果。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows (需配置 Python 环境)\n*   **前置依赖**：\n    *   Python 3.8+\n    *   Git\n    *   OpenAI API Key (支持 `code-davinci-002` 或 `gpt-3.5-turbo` 等模型)\n\n## 安装步骤\n\n1.  **克隆仓库并安装**\n    使用以下命令克隆项目并以可编辑模式安装：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fluyug\u002Fpal\n    pip install -e .\u002Fpal\n    ```\n    > **提示**：国内开发者若遇到下载慢的问题，可配置 pip 国内镜像源（如清华源）：\n    > `pip install -e .\u002Fpal -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n2.  **配置 API 密钥**\n    在运行脚本前，需在终端导出您的 OpenAI API Key：\n    ```bash\n    export OPENAI_API_KEY='sk-...'\n    ```\n\n## 基本使用\n\nPaL 的核心是 `ProgramInterface` 类，它负责连接 LLM 后端、Python 执行环境和用户提示词。以下是最简单的交互式使用示例：\n\n```python\nimport pal\nfrom pal.prompt import math_prompts\n\n# 初始化接口\n# model: 指定使用的模型 (如 code-davinci-002 或 gpt-3.5-turbo)\n# stop: 生成停止符 (Codex API 通常为 '\\n\\n\\n')\n# get_answer_expr: 生成的代码执行后，用于提取最终答案的 Python 表达式\ninterface = pal.interface.ProgramInterface(\n  model='code-davinci-002',\n  stop='\\n\\n\\n', \n  get_answer_expr='solution()' \n)\n\n# 构造问题与提示词\nquestion = 'Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have now?'\nprompt = math_prompts.MATH_PROMPT.format(question=question)\n\n# 运行推理\n# 流程：调用 API 生成代码 -> 本地 Python 执行代码 -> 评估 get_answer_expr 获取结果\nanswer = interface.run(prompt)\n\nprint(f\"Answer: {answer}\")\n```\n\n**说明**：\n*   `get_answer_expr` 需要根据具体的 Prompt 模板进行调整，通常生成的代码会定义一个函数（如 `solution()`），该表达式用于调用该函数并返回结果。\n*   若使用 ChatGPT 系列模型（如 `gpt-3.5-turbo`），请参考仓库中 `scripts\u002Fgsm_chatgpt.py` 的 Beta 版脚本进行适配。","某教育科技公司的算法工程师正在开发一款能自动批改小学高年级复杂应用题的 AI 助教系统。\n\n### 没有 pal 时\n- **计算准确率低下**：纯文本大模型在处理多步混合运算（如分数、百分比嵌套）时，常因“幻觉”导致中间步骤计算错误，最终答案离谱。\n- **逻辑链条断裂**：面对长题干，模型难以在纯文本生成中保持严密的变量追踪，容易遗漏关键约束条件或搞错运算顺序。\n- **调试与验证困难**：生成的解题过程全是自然语言，无法通过程序自动验证每一步的正确性，人工复核成本极高。\n- **复杂场景泛化差**：一旦题目涉及动态变量或需要迭代计算（如复利、行程问题），模型往往直接放弃或胡编乱造。\n\n### 使用 pal 后\n- **执行零误差**：pal 引导模型将推理过程转化为可执行的 Python 代码，利用解释器进行精确算术运算，彻底消除了计算幻觉。\n- **逻辑结构化**：通过将解题思路映射为代码变量和函数调用，强制模型理清依赖关系，确保多步推理的逻辑严密性。\n- **结果自动校验**：代码运行即验证，系统可直接捕获运行时错误或断言失败，快速定位逻辑漏洞，大幅降低人工审核压力。\n- **攻克高难题型**：借助代码的循环与条件判断能力，pal 能轻松解决涉及复杂迭代和状态变化的数学难题，显著提升通过率。\n\npal 的核心价值在于将大模型的语义理解优势与传统编程语言的精确执行能力完美结合，让 AI 从“只会说”进化为“既能想又能算”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freasoning-machines_pal_c74e1ce8.png","reasoning-machines","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Freasoning-machines_e5eaeafb.png",null,"https:\u002F\u002Fgithub.com\u002Freasoning-machines",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,518,66,"2026-03-08T12:39:12","Apache-2.0","未说明","不需要本地 GPU（基于 OpenAI API 调用，计算在云端进行）",{"notes":91,"python":88,"dependencies":92},"该工具主要依赖 OpenAI API（如 code-davinci-002 或 gpt-3.5-turbo），运行前需设置 OPENAI_API_KEY 环境变量。无需本地部署大模型或配置 CUDA 环境。代码执行通过本地 Python 解释器完成。",[93,94],"openai","datasets",[15],[97,98,99,100,101,102],"commonsense-reasoning","few-shot-learning","language-generation","language-model","large-language-models","reasoning","2026-03-27T02:49:30.150509","2026-04-06T09:24:16.548776",[106,111,116,121,126],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},18617,"为什么我在 GSM8K 数据集上复现的准确率（约 69.9%）低于论文报告的数值（72%）？","这种细微差距通常是由 OpenAI API 输出的随机性引起的，属于正常现象。为了获得更接近论文的结果，请确保设置参数 `--max_tokens=512`（针对 text-davinci-003 模型）。此外，对于 code-davinci-002 模型，尝试使用 `--max_token 600` 也可能有帮助。准确率在 70%-72% 之间的波动是合理的。","https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fissues\u002F8",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},18618,"PAL 技术是否适合用来生成 pandas DataFrame 或其他数据结构，而不仅仅是进行数学计算？","PAL 的主要设计目的是生成并运行 Python 程序来解决自然语言提出的推理或计算问题（例如提取统计信息）。如果您只需要模型直接生成代码结构（如创建 DataFrame 的代码）而不需要执行它来获取结果，直接使用像 `code-davinci-002` 这样的模型进行提示可能更合适，无需使用 PAL 框架。如果在使用 PAL 时遇到因代码未返回结果而导致的错误，最新的修复版本会在无结果时返回 `None`。","https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fissues\u002F15",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},18619,"使用 text-davinci-003 模型在 GSM8K 数据集上复现结果时，准确率远低于预期（约 59%），需要什么额外设置？","请确保在运行评估脚本时添加参数 `--max_tokens=512`。论文中报告的最佳结果是基于此设置得出的。缺少该参数可能导致生成的代码被截断或不完整，从而严重影响准确率。注意：查询 text-davinci-003 的成本大约是 gpt-3.5-turbo 的 10 倍。","https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fissues\u002F16",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},18620,"项目中包含 AQuA 数据集的提示文件，但论文中没有相关结果，PAL 在该数据集上的表现如何？","PAL 在 AQuA 数据集上有初步测试结果，准确率约为 45.28% (115\u002F254)，这与 Codex + CoT (Chain of Thought) 的效果相当。您可以使用项目中的 `scripts\u002Faqua_eval.py` 脚本和 `datasets\u002Foutputs\u002Faqua_pal_outputs.jsonl` 输出文件进行评估。命令示例：`python -u scripts\u002Faqua_eval.py --path \"datasets\u002Foutputs\u002Faqua_pal_outputs.jsonl\" --type code | grep -e \"Acc\" -e \"Eval\"`。目前团队尚未对此进行深入优化，欢迎提交更好的 Prompt 改进结果。","https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fissues\u002F11",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},18621,"如何获取 GSM-Hard 数据集？","GSM-Hard 数据集已添加到项目仓库中，可以直接通过以下两种方式获取：\n1. 直接从 GitHub 下载：https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fblob\u002Fmain\u002Fdatasets\u002Fgsmhardv2.jsonl\n2. 通过 Hugging Face datasets 库加载：\n```python\nimport datasets\ngsm_hard = datasets.load_dataset(\"reasoning-machines\u002Fgsm-hard\")\n```","https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fpal\u002Fissues\u002F9",[]]