FuxiCTR

1.4k 224 简单 1 次阅读昨天Apache-2.0图像开发框架

AI 解读由 AI 自动生成，仅供参考

FuxiCTR 是一个专为点击率（CTR）预测打造的开源算法库，广泛应用于在线广告、推荐系统及赞助搜索等工业场景。在学术界与工业界，CTR 模型的开发常面临代码复现难、参数调整繁琐以及不同框架间迁移成本高等痛点，FuxiCTR 正是为了解决这些问题而生。

它主要服务于算法研究人员和工程开发者，帮助他们更高效地进行模型实验与落地。FuxiCTR 的核心优势在于其高度的可配置性、可调优性和可复现性。通过将数据预处理和模型结构模块化，用户只需通过简单的配置文件即可灵活组合实验流程，并支持自动化的超参数调优。此外，它同时兼容 PyTorch 和 TensorFlow 两大主流深度学习框架，极大地降低了新模型的开发与扩展门槛。

目前，FuxiCTR 已集成了从经典的逻辑回归（LR）、因子分解机（FM）到深度语义匹配模型（DSSM）等多种经典与前沿的特征交互模型，并提供了标准的基准测试环境。无论是希望快速验证新想法的研究者，还是寻求稳定基线系统的工程师，都能利用 FuxiCTR 轻松复现论文结果或构建高性能的预测服务，从而推动相关领域的技术迭代与创新。

使用场景

某电商平台的推荐算法团队正面临紧急任务，需要在两周内为“双 11"大促上线一套新的点击率（CTR）预估模型，以提升广告转化率。

没有 FuxiCTR 时

重复造轮子效率低：团队成员需手动重写 LR、FM、DeepFM 等经典模型的底层代码，数据预处理逻辑分散且难以复用，耗费大量时间在基础构建上。
调参复现困难：不同成员使用的超参数配置格式不统一，导致实验结果无法横向对比，甚至出现同一模型在不同环境下表现不一致的“黑盒”问题。
框架迁移成本高：团队内部部分成员熟悉 PyTorch，部分习惯 TensorFlow，代码无法互通，维护两套技术栈增加了协作摩擦和出错风险。
新模型验证慢：想要尝试最新的特征交互模型时，缺乏标准化的基准测试流程，从阅读论文到代码落地往往需要数周时间。

使用 FuxiCTR 后

模块化快速搭建：利用 FuxiCTR 预置的模型库（Model Zoo），通过配置文件即可一键调用 LR、DSSM 等数十种成熟模型，将模型开发周期从周缩短至小时级。
实验可复现可控：借助其统一的配置化调参机制，所有实验记录清晰可查，确保了基准测试的严格复现，让团队能精准定位性能提升的来源。
双框架无缝支持：FuxiCTR 同时支持 PyTorch 和 TensorFlow，团队成员可根据偏好选择框架，底层逻辑保持一致，极大降低了协作门槛。
灵活扩展新算法：基于其高扩展性架构，团队能快速将最新论文中的创新模型集成到现有流水线中，并在标准数据集上立即验证效果。

FuxiCTR 通过标准化、配置化和可复现的特性，将算法团队从繁琐的工程实现中解放出来，使其能专注于核心策略优化与业务价值提升。

运行环境要求

GPU

未说明（依赖 PyTorch/TensorFlow 的默认 GPU 支持）

内存

未说明

依赖

notes该工具同时支持 PyTorch 和 TensorFlow 框架，用户可根据需要选择安装其中一个或两个都安装。具体模型实现可能仅依赖其中一种框架（如表格中标注的 `torch` 或 `tf`）。README 中未明确提及操作系统、GPU 型号及内存的具体需求，通常取决于所选深度学习框架的要求及运行模型的数据规模。

python3.9+

torch>=1.10

tensorflow>=2.1

快速开始

点击率（CTR）预测是在线广告、推荐系统和赞助搜索等多种工业应用中的关键任务。FuxiCTR 提供了一个用于 CTR 预测的开源库，其主要特点在于可配置性、可调性和可复现性。我们希望该项目能够促进可复现性研究，并使该领域的研究人员和从业者受益。

主要特性

可配置：数据预处理和模型均采用模块化设计，且高度可配置。
可调优：通过简单的配置即可实现模型的自动调优。
可复现：所有基准测试均可轻松复现。
可扩展：可以方便地扩展到任何新模型，同时支持 PyTorch 和 TensorFlow 框架。

模型库

序号	出版物	模型	论文	基准	版本

:open_file_folder: 特征交互模型

1	WWW'07	LR	预测点击：为新广告估计点击率 :triangular_flag_on_post:微软	:arrow_upper_right:	`torch`
2	ICDM'10	FM	因子分解机	:arrow_upper_right:	`torch`
3	CIKM'13	DSSM	使用点击数据学习用于网络搜索的深度结构化语义模型 :triangular_flag_on_post:微软	:arrow_upper_right:	`torch`
4	CIKM'15	CCPM	卷积点击预测模型	:arrow_upper_right:	`torch`
5	RecSys'16	FFM	用于点击率预测的领域感知因子分解机 :triangular_flag_on_post:Criteo	:arrow_upper_right:	`torch`
6	RecSys'16	DNN	YouTube 推荐系统的深度神经网络 :triangular_flag_on_post:谷歌	:arrow_upper_right:	`torch`, `tf`
7	DLRS'16	Wide&Deep	推荐系统中的 Wide & Deep 学习 :triangular_flag_on_post:谷歌	:arrow_upper_right:	`torch`, `tf`
8	ICDM'16	PNN	基于产品的神经网络用于用户响应预测	:arrow_upper_right:	`torch`
9	KDD'16	DeepCrossing	Deep Crossing：无需手工设计组合特征的Web-scale建模 :triangular_flag_on_post:微软	:arrow_upper_right:	`torch`
10	NIPS'16	HOFM	高阶因子分解机	:arrow_upper_right:	`torch`
11	IJCAI'17	DeepFM	DeepFM：基于因子分解机的神经网络用于点击率预测 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`, `tf`
12	SIGIR'17	NFM	稀疏预测分析中的神经因子分解机	:arrow_upper_right:	`torch`
13	IJCAI'17	AFM	注意力因子分解机：通过注意力网络学习特征交互权重	:arrow_upper_right:	`torch`
14	ADKDD'17	DCN	用于广告点击预测的深度与交叉网络 :triangular_flag_on_post:谷歌	:arrow_upper_right:	`torch`, `tf`
15	WWW'18	FwFM	展示广告中用于点击率预测的字段加权因子分解机 :triangular_flag_on_post:Oath, TouchPal, LinkedIn, 阿里巴巴	:arrow_upper_right:	`torch`
16	KDD'18	xDeepFM	xDeepFM：结合显式和隐式特征交互的推荐系统 :triangular_flag_on_post:微软	:arrow_upper_right:	`torch`
17	CIKM'19	FiGNN	FiGNN：通过图神经网络建模特征交互以进行点击率预测	:arrow_upper_right:	`torch`
18	CIKM'19	AutoInt/AutoInt+	AutoInt：通过自注意力神经网络自动学习特征交互	:arrow_upper_right:	`torch`
19	RecSys'19	FiBiNET	FiBiNET：结合特征重要性和双线性特征交互的点击率预测 :triangular_flag_on_post:新浪微博	:arrow_upper_right:	`torch`
20	WWW'19	FGCNN	通过卷积神经网络生成特征以进行点击率预测 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`
21	AAAI'19	HFM/HFM+	全息因子分解机用于推荐	:arrow_upper_right:	`torch`
22	Arxiv'19	DLRM	用于个性化和推荐系统的深度学习推荐模型 :triangular_flag_on_post:Facebook	:arrow_upper_right:	`torch`
23	NeuralNetworks'20	ONN	操作感知神经网络用于用户响应预测	:arrow_upper_right:	`torch`, `tf`
24	AAAI'20	AFN/AFN+	自适应因子网络：学习自适应阶数的特征交互	:arrow_upper_right:	`torch`
25	AAAI'20	LorentzFM	利用洛伦兹因子分解学习特征交互 :triangular_flag_on_post:eBay	:arrow_upper_right:	`torch`
26	WSDM'20	InterHAt	通过层次化注意力实现可解释的点击率预测 :triangular_flag_on_post:NEC Labs, 谷歌	:arrow_upper_right:	`torch`
27	DLP-KDD'20	FLEN	FLEN：利用领域进行可扩展的点击率预测 :triangular_flag_on_post:腾讯	:arrow_upper_right:	`torch`
28	CIKM'20	DeepIM	深度交互机器：一种简单但有效的高阶特征交互模型 :triangular_flag_on_post:阿里巴巴、RealAI	:arrow_upper_right:	`torch`
29	WWW'21	FmFM	FM^2：用于推荐系统的字段矩阵化因子分解机 :triangular_flag_on_post:雅虎	:arrow_upper_right:	`torch`
30	WWW'21	DCN-V2	DCN V2：改进的深度与交叉网络及面向Web规模排序学习的实用经验 :triangular_flag_on_post:谷歌	:arrow_upper_right:	`torch`
31	CIKM'21	DESTINE	解耦的自注意力神经网络用于点击率预测 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
32	CIKM'21	EDCN	通过信息共享增强显式和隐式特征交互，用于并行深度点击率模型 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`
33	DLP-KDD'21	MaskNet	MaskNet：通过实例引导的掩码将逐特征乘法引入点击率排序模型 :triangular_flag_on_post:新浪微博	:arrow_upper_right:	`torch`
34	SIGIR'21	SAM	再次审视点击率预测：注意力就是你所需要的吗？ :triangular_flag_on_post:BOSS Zhipin	:arrow_upper_right:	`torch`
35	KDD'21	AOANet	用于在线推荐的架构与操作自适应网络 :triangular_flag_on_post:滴滴出行	:arrow_upper_right:	`torch`
36	AAAI'23	FinalMLP	FinalMLP：用于点击率预测的增强型双流MLP模型 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`
37	SIGIR'23	FinalNet	FINAL：用于点击率预测的因子化交互层 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`
38	SIGIR'23	EulerNet	EulerNet：通过欧拉公式自适应地学习特征交互以进行点击率预测 :triangular_flag_on_post:华为	:arrow_upper_right:	`torch`
39	CIKM'23	GDCN	迈向更深、更轻量且可解释的交叉网络以进行点击率预测 :triangular_flag_on_post:微软		`torch`
40	ICML'24	WuKong	悟空：迈向大规模推荐的规模法则 :triangular_flag_on_post:Meta	:arrow_upper_right:	`torch`

:open_file_folder: 行为序列建模

42	KDD'18	DIN	用于点击率预测的深度兴趣网络 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
43	AAAI'19	DIEN	用于点击率预测的深度兴趣演化网络 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
44	DLP-KDD'19	BST	阿里巴巴电商推荐中的行为序列Transformer :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
45	CIKM'20	DMIN	用于点击率预测的深度多兴趣网络 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
46	AAAI'20	DMR	用于个性化点击率预测的深度匹配排序模型 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
47	KDD'23	TransAct	TransAct：Pinterest 推荐中的基于 Transformer 的实时用户行为模型 :triangular_flag_on_post:Pinterest	:arrow_upper_right:	`torch`

:open_file_folder: 长序列建模

48	CIKM'20	SIM	基于搜索的用户兴趣建模，结合终身序列行为数据进行点击率预测 :triangular_flag_on_post:阿里巴巴		`torch`
49	DLP-KDD'22	ETA	高效长序列用户数据建模以进行点击率预测 :triangular_flag_on_post:阿里巴巴		`torch`
50	CIKM'22	SDIM	采样就是你在点击率预测中对长期用户行为建模所需要的全部 :triangular_flag_on_post:美团		`torch`
51	KDD'23	TWIN	TWIN：快手点击率预测中用于终身用户行为建模的两阶段兴趣网络 :triangular_flag_on_post:快手		`torch`
52	KDD'25	MIRRN	多粒度兴趣检索与精炼网络用于点击率预测中的长期用户行为建模 :triangular_flag_on_post:华为		`torch`

:open_file_folder: 动态权重网络

53	NeurIPS'22	APG	APG：用于点击率预测的自适应参数生成网络 :triangular_flag_on_post:阿里巴巴	:arrow_upper_right:	`torch`
54	KDD'23	PPNet	PEPNet：用于注入个性化先验信息的参数和嵌入个性化网络 :triangular_flag_on_post:快手	:arrow_upper_right:	`torch`

:open_file_folder: 多任务建模

55	Arxiv'17	ShareBottom	深度神经网络中多任务学习概述		`torch`
56	KDD'18	MMoE	利用多门专家混合体在多任务学习中建模任务关系 :triangular_flag_on_post:谷歌		`torch`
57	RecSys'20	PLE	渐进式分层提取 (PLE)：一种用于个性化推荐的新颖多任务学习 (MTL) 模型 :triangular_flag_on_post:腾讯		`torch`

基准测试

我们已在一组开放数据集上对 FuxiCTR 模型进行了基准测试，具体如下：

依赖项

FuxiCTR 具有以下依赖项：

Python 3.9+
PyTorch 1.10.0–2.1.2（若用于 PyTorch 模型）
TensorFlow 2.1（若用于 TensorFlow 模型）

请通过 pip install -r requirements.txt 安装其他所需软件包。

快速入门

运行示例代码

demo 目录中提供了示例代码，展示了 FuxiCTR 的一些基本用法。用户可以运行这些示例以快速上手并了解工作流程。
```
cd demo
python example1_build_dataset_to_parquet.py
python example2_DeepFM_with_parquet_input.py
```
在小型数据集上运行模型

用户可以按照以下命令轻松运行模型库中的每个模型，这里以运行 DCN 为例。此外，用户还可以修改数据集配置文件和模型配置文件，以在自己的数据集上运行或使用新的超参数。更多详细信息请参阅 README。
```
cd model_zoo/DCN/DCN_torch
python run_expid.py --expid DCN_test --gpu 0

# 根据目标模型名称更改 `MODEL`
cd model_zoo/MODEL
python run_expid.py --expid MODEL_test --gpu 0
```
在基准数据集上运行模型（例如 Criteo）

用户可以参考基准测试部分，获取基准数据集和运行步骤，以复现现有结果。请参阅此处示例：https://github.com/reczoo/BARS/tree/main/ranking/ctr/DCNv2/DCNv2_criteo_x1
实现新模型

FuxiCTR 库设计为模块化结构，因此用户可以根据自身需求覆盖各个组件。在许多情况下，只需实现模型类即可创建自定义模型。如果数据预处理或数据加载器不适用，也可以通过核心 API 自行实现新的版本。我们提供了一个具体示例，实现了我们最近在 AAAI 2023 上发表的新模型 FinalMLP。
调整模型超参数

FuxiCTR 目前支持使用多 GPU 对模型超参数进行快速网格搜索。以下示例展示了使用 4 个 GPU 进行 8 组实验的网格搜索。
```
cd experiment
python run_param_tuner.py --config config/DCN_tiny_parquet_tuner_config.yaml --gpu 0 1 2 3 0 1 2 3
```

🔥 引用

如果您在公开研究中使用了我们的代码或基准测试，请引用以下两篇论文。

Jieming Zhu, Quanyu Dai, Liangcai Su, Rong Ma, Jinyang Liu, Guohao Cai, Xi Xiao, Rui Zhang. BARS：迈向推荐系统的开放基准测试。第 45 届国际 ACM SIGIR 信息检索研究与发展会议 (SIGIR)，2022 年。[Bibtex]
Jieming Zhu, Jinyang Liu, Shuai Yang, Qi Zhang, Xiuqiang He. BARS-CTR：点击率预测的开放基准测试。第 30 届 ACM 国际信息与知识管理会议 (CIKM)，2021 年。[Bibtex]

🙋 讨论

欢迎加入我们的微信群，提出任何问题或参与讨论。如果您对推荐系统的研究与实践感兴趣，请通过微信群联系我们。

扫描二维码

FuxiCTR 快速上手指南

FuxiCTR 是一个专注于点击率（CTR）预测的开源工具库，支持高度可配置、自动调参和实验复现。它同时支持 PyTorch 和 TensorFlow 框架，内置了从经典 LR、FM 到前沿 DeepFM、DCN、AutoInt 等数十种主流模型。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

操作系统：Linux / macOS / Windows
Python 版本：3.9 或更高版本
深度学习框架（任选其一或同时安装）：
- PyTorch 1.10+
- TensorFlow 2.1+
其他依赖：numpy, pandas, scikit-learn 等（安装 FuxiCTR 时会自动处理大部分依赖）

国内加速建议：推荐使用国内镜像源安装 Python 依赖，以提升下载速度。

PyTorch 国内镜像：https://mirror.tuna.tsinghua.edu.cn/help/pytorch/

pip 临时使用清华源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

2. 安装步骤

您可以通过 PyPI 直接安装稳定版，或从源码安装最新版。

方式一：通过 PyPI 安装（推荐）

pip install fuxictr

若需指定框架版本或使用国内镜像加速：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple fuxictr

方式二：从源码安装

如果您需要最新的功能或贡献代码，可以克隆仓库进行安装：

git clone https://github.com/reczoo/FuxiCTR.git
cd FuxiCTR
pip install -e .

3. 基本使用

FuxiCTR 的核心设计理念是“配置驱动”。用户只需编写配置文件（YAML 格式），即可轻松运行数据预处理、模型训练和评估流程，无需编写大量重复代码。

第一步：准备数据集

FuxiCTR 支持多种公开数据集（如 Criteo, Avazu, MovieLens）。您需要将数据转换为 FuxiCTR 支持的格式，或者使用内置的数据加载器。通常数据文件包含特征列和标签列。

第二步：编写配置文件

创建一个名为 model_config.yaml 的文件。以下是一个使用 DeepFM 模型在 Criteo 数据集上运行的最小化配置示例：

# model_config.yaml
dataset_id: criteo_sample
data_root: ../data/
feature_config: ../data/criteo_sample_features.json

model_root: ./checkpoints/
gpu_ids: [0]

model: DeepFM
task: binary_classification
metrics: ['logloss', 'auc']

net_config:
    embedding_dim: 10
    hidden_units: [64, 32]
    dropout_rates: [0.1, 0.1]
    batch_norm: True

train_config:
    epoch: 10
    batch_size: 4096
    learning_rate: 1.0e-3
    optimizer: adam
    loss: binary_crossentropy

第三步：运行实验

使用 fuxictr 命令行工具加载配置并启动训练。以下命令将执行数据预处理（如果尚未完成）并训练模型：

python run_experiments.py --config model_config.yaml --mode train

训练完成后，您可以在 ./checkpoints/ 目录下找到保存的模型权重，并在终端查看评估指标（如 AUC 和 LogLoss）。

进阶：快速切换模型

得益于其模块化设计，您只需修改配置文件中的 model 字段，即可轻松切换至其他模型（如 DCN, AutoInt, xDeepFM 等），而无需更改任何代码逻辑：

# 将模型更改为 DCN
model: DCN
net_config:
    embedding_dim: 10
    cross_layers: 3
    # ... 其他参数

再次运行 run_experiments.py 即可复现新模型的基准结果。

常见问题

运行大型数据集（如 taobaoad）时出现内存溢出（Memory Error）怎么办？

复现 TransAct 模型时，验证阶段的 Embedding 权重全变为 NaN 是什么原因？

如何将框架从二分类任务修改为多分类任务并添加相应的评价指标？

运行数据预处理脚本后生成的文件没有 .npz 后缀，或者加上后缀后报错 "allow_pickle=False" 怎么办？

文档中提到的 `na_value` 参数在代码中似乎未生效，应该使用哪个参数处理缺失值？

在配置自定义特征处理器（user_defined_processor）时，是否需要为每一列单独指定列名参数？

相似工具推荐

stable-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。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。

★ 162.1k|★★★☆☆|今天

开发框架图像Agent

everything-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。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。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

★ 139k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

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。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。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。

★ 107.7k|★★☆☆☆|2天前

开发框架图像Agent

NextChat

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。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。 NextChat 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。

★ 87.6k|★★☆☆☆|今天

开发框架语言模型

ML-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。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。

★ 85k|★★☆☆☆|今天

图像数据工具视频

ragflow

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。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。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。

★ 77.1k|★★★☆☆|昨天

Agent图像开发框架