[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ridgerchu--SpikeGPT":3,"tool-ridgerchu--SpikeGPT":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":99,"env_ram":98,"env_deps":100,"category_tags":106,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":140},8321,"ridgerchu\u002FSpikeGPT","SpikeGPT","Implementation of \"SpikeGPT: Generative Pre-trained Language Model with Spiking Neural Networks\"","SpikeGPT 是一款轻量级的生成式预训练语言模型，其核心创新在于完全采用脉冲神经网络（Spiking Neural Networks, SNN）构建。与传统依赖连续数值计算的 AI 模型不同，SpikeGPT 使用纯二进制的“事件驱动”激活单元，模拟生物神经元通过脉冲信号传递信息的方式。\n\n这一架构主要解决了传统大模型能耗高、计算资源消耗大的痛点。由于采用二进制脉冲机制，SpikeGPT 在保持生成能力的同时，显著降低了内存占用和运算功耗，为在低功耗设备或边缘计算场景部署大语言模型提供了新的可能。此外，项目受 RWKV 架构启发，支持从大规模语料预训练到特定任务微调的完整流程，并提供了 Docker 镜像以简化环境配置。\n\nSpikeGPT 特别适合人工智能研究人员、神经形态计算探索者以及关注绿色 AI 的开发者使用。如果你正在研究高效能模型架构，或需要在资源受限的环境中尝试生成式 AI 应用，SpikeGPT 提供了一个极具价值的开源实验平台。目前，该项目已开放基于 OpenWebText 训练的预训练模型，支持用户直接进行推理测试或基于 WikiText 等数据集进行微调，助力","SpikeGPT 是一款轻量级的生成式预训练语言模型，其核心创新在于完全采用脉冲神经网络（Spiking Neural Networks, SNN）构建。与传统依赖连续数值计算的 AI 模型不同，SpikeGPT 使用纯二进制的“事件驱动”激活单元，模拟生物神经元通过脉冲信号传递信息的方式。\n\n这一架构主要解决了传统大模型能耗高、计算资源消耗大的痛点。由于采用二进制脉冲机制，SpikeGPT 在保持生成能力的同时，显著降低了内存占用和运算功耗，为在低功耗设备或边缘计算场景部署大语言模型提供了新的可能。此外，项目受 RWKV 架构启发，支持从大规模语料预训练到特定任务微调的完整流程，并提供了 Docker 镜像以简化环境配置。\n\nSpikeGPT 特别适合人工智能研究人员、神经形态计算探索者以及关注绿色 AI 的开发者使用。如果你正在研究高效能模型架构，或需要在资源受限的环境中尝试生成式 AI 应用，SpikeGPT 提供了一个极具价值的开源实验平台。目前，该项目已开放基于 OpenWebText 训练的预训练模型，支持用户直接进行推理测试或基于 WikiText 等数据集进行微调，助力社区共同推动脉冲智能的发展。","# SpikeGPT: Generative Pre-trained Language Model with Spiking Neural Networks\n\n\u003Cp align=\"center\" float=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fridgerchu_SpikeGPT_readme_be6938b50c97.png\"\u002F>\n\u003C\u002Fp>\n\nSpikeGPT is a lightweight generative language model with pure binary, event-driven spiking activation units. The arxiv paper of SpikeGPT can be found [here](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13939).\n\nIf you are interested in SpikeGPT, feel free to join our Discord using this [link](https:\u002F\u002Fdiscord.gg\u002FgdUpuTJ6QZ)!\n\nThis repo is inspired by the [RWKV-LM](https:\u002F\u002Fgithub.com\u002FBlinkDL\u002FRWKV-LM).\n\nIf you find yourself struggling with environment configuration, consider using the Docker image for SpikeGPT available on [Github](https:\u002F\u002Fgithub.com\u002Feddiem3\u002FSpikeGPT-container).\n\n## Training on Enwik8\n\n1. Download the `enwik8` dataset by visiting the following link:\n   [enwik8 dataset](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1aZQSJctBOYXx76Dld-iioD-v1kR4JHtn\u002Fview?usp=sharing).\n\n2. Modify the train set, validate set, and test set paths in the `train.py` script to match the directory where you've extracted the files. For example, if you've extracted the files to a directory named `enwik8_data`, your `train.py` script should be updated as follows:\n\n   ```python\n   # Set the paths for the datasets\n   datafile_train = \"path\u002Fto\u002Fenwik8_data\u002Ftrain\"\n   datafile_valid = \"path\u002Fto\u002Fenwik8_data\u002Fvalidate\"\n   datafile_test = \"path\u002Fto\u002Fenwik8_data\u002Ftest\"\n\n\n## Pre-training on large corpus\n\n1. **Pre-Training on a Large Corpus**: \n   - To begin, pre-tokenize your corpus data. \n   - For custom data, use the [jsonl2binidx tool](https:\u002F\u002Fgithub.com\u002FAbel2076\u002Fjson2binidx_tool) to convert your data. \n   - If you prefer pre-tokenized data, consider using pre-tokenized [The Pile](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FRichardErkhov\u002FRWKV-LM_pile_binidx_dataset), which is equipped with a 20B tokenizer and is used in GPT-NeoX and Pythia. \n   - If resources are limited, you may use just one file from the dataset instead of the entire collection.\n\n2. **Configuring the Training Script**: \n   - In `train.py`, uncomment line 82 to enable `MMapIndexedDataset` as the dataset class. \n   - Change `datafile_train` to the filename of your binidx file. \n   - Important: Do not include the `.bin` or `.idx` file extensions.\n\n3. **Starting Multi-GPU Training**:\n   - Utilize Hugging Face's Accelerate to begin training on multiple GPUs.\n\n## Fine-Tuning on WikiText-103\n\n1. **Downloading Pre-Tokenized WikiText-103**:\n   - You can obtain the pre-tokenized WikiText-103 dataset `binidx` file from this [Hugging Face dataset link](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fridger\u002FWikitext-series-NeoX-tokenizer\u002Ftree\u002Fmain).\n\n2. **Fine-Tuning the Model**:\n   - Use the same approach as in pre-training for fine-tuning your model with this dataset.\n   - **Important**: Set a smaller learning rate than during the pre-training stage to avoid catastrophic forgetting. A recommended learning rate is around `3e-6`.\n   - For the batch size, it's advisable to adjust according to your specific requirements to find an optimal setting for your case.\n\n\n## Inference with Prompt\n\nYou can choose to run inference with either your own customized model or with our pre-trained model. Our pre-trained model is available [here](https:\u002F\u002Fhuggingface.co\u002Fridger\u002FSpikeGPT-OpenWebText-216M). This model trained 5B tokens on OpenWebText. \n1. download our pre-trained model, and put it in the root directory of this repo.\n2. Modify the  'context' variable in `run.py` to your custom prompt\n3. Run `run.py`\n\n## Fine-Tune with NLU tasks\n1. run the file in 'NLU' folders\n2. change the path in line 17 to the model path\n\n\n## Citation\n\n\nIf you find SpikeGPT useful in your work, please cite the following source:\n\n\n```\n@article{zhu2023spikegpt,\n        title = {SpikeGPT: Generative Pre-trained Language Model with Spiking Neural Networks},\n        author = {Zhu, Rui-Jie and Zhao, Qihang and Li, Guoqi and Eshraghian, Jason K.},\n        journal = {arXiv preprint arXiv:2302.13939},\n        year    = {2023}\n}\n```\n","# SpikeGPT：基于脉冲神经网络的生成式预训练语言模型\n\n\u003Cp align=\"center\" float=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fridgerchu_SpikeGPT_readme_be6938b50c97.png\"\u002F>\n\u003C\u002Fp>\n\nSpikeGPT 是一个轻量级的生成式语言模型，采用了纯二进制、事件驱动的脉冲激活单元。SpikeGPT 的 arXiv 论文可以在这里找到 [链接](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13939)。\n\n如果你对 SpikeGPT 感兴趣，欢迎通过此 [链接](https:\u002F\u002Fdiscord.gg\u002FgdUpuTJ6QZ) 加入我们的 Discord 社区！\n\n本仓库的灵感来源于 [RWKV-LM](https:\u002F\u002Fgithub.com\u002FBlinkDL\u002FRWKV-LM)。\n\n如果你在环境配置上遇到困难，可以考虑使用我们在 [Github](https:\u002F\u002Fgithub.com\u002Feddiem3\u002FSpikeGPT-container) 上提供的 SpikeGPT Docker 镜像。\n\n## 在 Enwik8 数据集上进行训练\n\n1. 请访问以下链接下载 `enwik8` 数据集：\n   [enwik8 数据集](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1aZQSJctBOYXx76Dld-iioD-v1kR4JHtn\u002Fview?usp=sharing)。\n\n2. 修改 `train.py` 脚本中的训练集、验证集和测试集路径，使其指向你解压文件的目录。例如，如果你将文件解压到名为 `enwik8_data` 的目录下，那么你的 `train.py` 脚本应更新为如下内容：\n\n   ```python\n   # 设置数据集路径\n   datafile_train = \"path\u002Fto\u002Fenwik8_data\u002Ftrain\"\n   datafile_valid = \"path\u002Fto\u002Fenwik8_data\u002Fvalidate\"\n   datafile_test = \"path\u002Fto\u002Fenwik8_data\u002Ftest\"\n   ```\n\n## 在大规模语料库上进行预训练\n\n1. **大规模语料库上的预训练**：\n   - 首先，对你的语料数据进行预分词处理。\n   - 对于自定义数据，可以使用 [jsonl2binidx 工具](https:\u002F\u002Fgithub.com\u002FAbel2076\u002Fjson2binidx_tool) 进行转换。\n   - 如果你更倾向于使用已预分词的数据，可以考虑使用预分词的 [The Pile](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FRichardErkhov\u002FRWKV-LM_pile_binidx_dataset)，它配备了 20B 参数的分词器，并被 GPT-NeoX 和 Pythia 等模型所采用。\n   - 如果资源有限，也可以只使用该数据集中的一份文件，而非整个数据集。\n\n2. **配置训练脚本**：\n   - 在 `train.py` 中，取消注释第 82 行，以启用 `MMapIndexedDataset` 作为数据集类。\n   - 将 `datafile_train` 改为你 binidx 文件的文件名。\n   - 注意：不要包含 `.bin` 或 `.idx` 文件扩展名。\n\n3. **启动多 GPU 训练**：\n   - 使用 Hugging Face 的 Accelerate 库，即可开始在多块 GPU 上进行训练。\n\n## 在 WikiText-103 数据集上进行微调\n\n1. **下载预分词的 WikiText-103 数据集**：\n   - 你可以从这个 [Hugging Face 数据集链接](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fridger\u002FWikitext-series-NeoX-tokenizer\u002Ftree\u002Fmain) 获取预分词的 WikiText-103 数据集 `binidx` 文件。\n\n2. **微调模型**：\n   - 微调模型的方法与预训练时相同。\n   - **重要提示**：为了避免灾难性遗忘，微调时的学习率应设置得比预训练阶段更低。推荐学习率为 `3e-6` 左右。\n   - 关于批量大小，建议根据具体需求调整，以找到最适合你情况的设置。\n\n## 基于提示的推理\n\n你可以选择使用自己定制的模型，或者使用我们预训练好的模型来进行推理。我们的预训练模型可以在 [这里](https:\u002F\u002Fhuggingface.co\u002Fridger\u002FSpikeGPT-OpenWebText-216M) 获取。该模型曾在 OpenWebText 数据集上进行了 50 亿 token 的训练。\n\n1. 下载我们的预训练模型，并将其放置在本仓库的根目录下。\n2. 修改 `run.py` 中的 `'context'` 变量为你自定义的提示。\n3. 运行 `run.py`。\n\n## 结合 NLU 任务进行微调\n\n1. 运行 `NLU` 文件夹中的相应文件。\n2. 将第 17 行中的路径修改为你模型的路径。\n\n## 引用\n\n如果你在工作中使用了 SpikeGPT，请引用以下文献：\n\n```\n@article{zhu2023spikegpt,\n        title = {SpikeGPT: Generative Pre-trained Language Model with Spiking Neural Networks},\n        author = {Zhu, Rui-Jie and Zhao, Qihang and Li, Guoqi and Eshraghian, Jason K.},\n        journal = {arXiv preprint arXiv:2302.13939},\n        year    = {2023}\n}\n```","# SpikeGPT 快速上手指南\n\nSpikeGPT 是一个轻量级的生成式语言模型，采用纯二进制、事件驱动的脉冲神经网络（SNN）激活单元。本指南将帮助你快速完成环境配置、训练及推理。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu)\n- **硬件**: 支持 CUDA 的 NVIDIA GPU（用于多卡训练加速）\n- **Python**: 3.8+\n\n### 前置依赖\n项目依赖 PyTorch 及相关深度学习库。如果你在安装过程中遇到环境配置困难，强烈推荐使用社区提供的 Docker 镜像：\n- **Docker 镜像**: [SpikeGPT-container](https:\u002F\u002Fgithub.com\u002Feddiem3\u002FSpikeGPT-container)\n\n若手动安装，请确保已安装 PyTorch（带 CUDA 支持）。\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT.git\n   cd SpikeGPT\n   ```\n\n2. **安装 Python 依赖**\n   ```bash\n   pip install -r requirements.txt\n   ```\n   *注：若 `requirements.txt` 不存在，请根据项目代码安装 `torch`, `accelerate`, `transformers` 等核心库。*\n\n3. **（可选）使用 Docker**\n   如果本地环境配置复杂，可直接拉取容器运行：\n   ```bash\n   docker pull eddiem3\u002Fspikegpt-container\n   docker run --gpus all -it eddiem3\u002Fspikegpt-container\n   ```\n\n## 基本使用\n\n### 1. 快速推理 (Inference)\n\n使用官方预训练模型进行文本生成是最简单的上手方式。该模型在 OpenWebText 数据集上训练了 50 亿 token。\n\n**步骤：**\n\n1. **下载预训练模型**\n   从 Hugging Face 下载模型文件并放入项目根目录：\n   [SpikeGPT-OpenWebText-216M](https:\u002F\u002Fhuggingface.co\u002Fridger\u002FSpikeGPT-OpenWebText-216M)\n\n2. **修改提示词**\n   编辑 `run.py` 文件，修改 `context` 变量为你想要的输入提示：\n   ```python\n   # 在 run.py 中\n   context = \"Once upon a time,\"  # 修改此处\n   ```\n\n3. **运行推理**\n   ```bash\n   python run.py\n   ```\n\n### 2. 小规模数据训练 (Enwik8)\n\n适合快速验证模型训练流程。\n\n1. **下载数据集**\n   访问 [enwik8 dataset](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1aZQSJctBOYXx76Dld-iioD-v1kR4JHtn\u002Fview?usp=sharing) 下载数据。\n\n2. **配置路径**\n   解压数据后，修改 `train.py` 中的数据集路径：\n   ```python\n   # 在 train.py 中\n   datafile_train = \"path\u002Fto\u002Fenwik8_data\u002Ftrain\"\n   datafile_valid = \"path\u002Fto\u002Fenwik8_data\u002Fvalidate\"\n   datafile_test = \"path\u002Fto\u002Fenwik8_data\u002Ftest\"\n   ```\n\n3. **开始训练**\n   ```bash\n   python train.py\n   ```\n\n### 3. 大规模预训练与微调\n\n#### 预训练 (Pre-training)\n1. **数据准备**: 使用 [jsonl2binidx tool](https:\u002F\u002Fgithub.com\u002FAbel2076\u002Fjson2binidx_tool) 将自定义数据转换为 binidx 格式，或直接使用预处理的 [The Pile](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FRichardErkhov\u002FRWKV-LM_pile_binidx_dataset) 数据集。\n2. **脚本配置**: 在 `train.py` 中取消第 82 行注释以启用 `MMapIndexedDataset`，并将 `datafile_train` 指向你的 binidx 文件名（**不要**包含 `.bin` 或 `.idx` 后缀）。\n3. **多卡启动**:\n   ```bash\n   accelerate launch train.py\n   ```\n\n#### 微调 (Fine-Tuning on WikiText-103)\n1. **下载数据**: 获取预处理好的 [WikiText-103 binidx](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fridger\u002FWikitext-series-NeoX-tokenizer\u002Ftree\u002Fmain)。\n2. **调整参数**: \n   - 复用预训练脚本逻辑。\n   - **关键**: 设置较小的学习率（推荐 `3e-6`）以避免灾难性遗忘。\n   - 根据显存调整 batch size。\n\n#### NLU 任务微调\n进入 `NLU` 文件夹，修改对应脚本第 17 行的模型路径后直接运行即可。","某边缘计算团队正尝试在资源受限的物联网网关设备上部署本地化的文本生成服务，用于实时处理传感器日志并生成异常报告。\n\n### 没有 SpikeGPT 时\n- 传统 Transformer 模型依赖高精度浮点运算，导致在低功耗嵌入式芯片上推理延迟极高，无法满足实时性要求。\n- 连续激活机制带来巨大的内存带宽压力和能耗，设备电池续航迅速耗尽，难以维持长期在线运行。\n- 为了适配硬件，团队不得不大幅裁剪模型参数量，导致生成的报告逻辑混乱、关键信息丢失严重。\n- 部署流程复杂，需要针对特定硬件进行繁琐的算子优化和量化调试，开发周期长达数周。\n\n### 使用 SpikeGPT 后\n- 利用纯二值、事件驱动的脉冲神经元特性，SpikeGPT 在同等硬件上将推理速度提升了数倍，实现了毫秒级响应。\n- 仅在信号触发时消耗能量，显著降低了整体功耗，使设备在电池供电下也能稳定运行数周甚至数月。\n- 保持了较大的模型容量而不增加计算负担，生成的异常报告语句通顺、逻辑清晰，准确捕捉到了关键故障特征。\n- 借助其轻量级架构和现成的 Docker 镜像，团队快速完成了环境配置与模型部署，将上线时间缩短至几天内。\n\nSpikeGPT 通过引入类脑的脉冲神经网络机制，成功打破了高性能语言模型在低算力边缘设备上落地的能效瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fridgerchu_SpikeGPT_88541232.png","ridgerchu","Ridger Zhu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fridgerchu_473af89d.png","memento mori.","University of California, Santa Cruz",null,"https:\u002F\u002Fruijie-zhu.github.io","https:\u002F\u002Fgithub.com\u002Fridgerchu",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",50.7,{"name":87,"color":88,"percentage":89},"Cuda","#3A4E3A",49.2,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",0.1,894,95,"2026-04-14T22:18:09","BSD-2-Clause","未说明","训练阶段需要多 GPU 支持（通过 Hugging Face Accelerate），具体型号和显存大小未说明；推理阶段未明确是否必须 GPU。",{"notes":101,"python":98,"dependencies":102},"1. 如果环境配置困难，官方推荐使用 Docker 镜像（由第三方提供）。2. 大规模预训练需先将语料转换为 binidx 格式。3. 微调时建议使用较小的学习率（约 3e-6）以避免灾难性遗忘。4. 提供了在 Enwik8 和 WikiText-103 数据集上的具体运行示例。",[103,104,105],"Hugging Face Accelerate","MMapIndexedDataset (自定义数据集类)","jsonl2binidx tool (用于数据预处理)",[35,14],"2026-03-27T02:49:30.150509","2026-04-17T09:54:07.693181",[110,115,120,125,130,135],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},37242,"如何配置训练环境以复现论文中的结果并提升训练速度？","建议启用 DeepSpeed 进行训练，特别是在多 GPU 设置下，它能显著提升性能（在 V100 上可加速 3-4 倍）并允许更大的批次大小。启用后请监控显存使用。推荐的配置参数如下：\nctx_len = 1024 (如果超过此值需修改 model.py 中的 T_MAX)\nn_layer = 18\nn_embd = 768\nmodel_type = 'RWKV'\nbatch_size = 3 (根据显存容量调整)\nlr_init = 3e-6\nlr_final = 3e-6\nn_epoch = 1\nepoch_length_fixed = 10000\n此外，对于 Wikitext-2 等较小数据集，应根据实际数据量重新校准 mini-epoch 数量，避免因默认设置过高导致训练时间过长。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F13",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},37243,"遇到 'RuntimeError: Error building extension wkv' 编译错误如何解决？","该问题通常与 ninja 编译器的命令格式有关。如果报错信息包含 `subprocess.CalledProcessError: Command '['ninja', '-v']' returned non-zero exit status 1`，请尝试修改 anaconda 环境文件中的 `lib\u002Fpython3.6\u002Fsite-packages\u002Ftorch\u002Futils\u002Fcpp_extension.py`。\n将代码中的 `['ninja ', ' - v ']` 修改为 `['ninja', '-v']` 或 `['ninja', '--version']`。\n注意：wkv 模块依赖 CUDA 和 ninja 编译器，确保环境中已正确安装这些依赖。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},37244,"加载预训练权重时出现 'Missing key(s) in state_dict' 错误怎么办？","这通常是因为模型层数配置不匹配导致的。如果您使用的是官方提供的预训练权重，请确保将模型层数（layer\u002Fn_layer）设置为 18。错误发生的原因可能是默认配置或代码中误将层数设为了 24，而预训练权重是基于 18 层训练的。修改配置后重试即可解决。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F16",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},37245,"是否开源了用于论文中困惑度评估的 Wikitext-2 和 Wikitext-103 微调模型？","目前尚未保存或开源针对 Wikitext-2 和 Wikitext-103 的微调模型。如果您需要复现结果或创建自定义模型，需要先从 OpenWebText 预训练模型开始，然后使用 `jsonl2binidx` 工具对您的文本数据进行预分词处理，最后使用提供的 `train.py` 脚本进行微调。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F9",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},37246,"SpikeGPT 是否支持结合 ViT 模型进行图像理解或图像描述任务？","可以将 ViT 作为骨干网络（backbone）使用，但需要注意 SpikeGPT 目前仅支持自回归（autoregressive）任务。ViT 相关的任务（如基于 MLM 的训练）更接近 BERT 的模式，直接整合可能需要额外的工作。目前项目正在推进 Hugging Face 的集成工作，未来可能更好地支持此类序列到序列（Sequence-to-Sequence）的任务架构。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F7",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},37247,"项目支持哪些版本的 CUDA、CuPy 和 PyTorch？","项目已经过广泛测试，兼容以下版本范围：\n- CUDA 和 CuPy：从 10.2 到 12.0 的版本均功能正常。\n- PyTorch：从 1.9.0 到 2.0.0 的版本均功能正常。\n如果您的环境配置遇到问题，请检查是否在上述范围内，或提交新的 Issue 提供具体的环境信息以获取帮助。","https:\u002F\u002Fgithub.com\u002Fridgerchu\u002FSpikeGPT\u002Fissues\u002F5",[]]