[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-salesforce--xgen":3,"tool-salesforce--xgen":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":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":138},757,"salesforce\u002Fxgen","xgen","Salesforce open-source LLMs with 8k sequence length.","XGen 是 Salesforce AI Research 推出的一系列开源大语言模型，专注于长序列建模任务。它有效解决了传统模型在处理超长上下文时容易丢失关键信息的问题，支持高达 8K 的输入序列长度，能够更完整地理解长篇文档、复杂代码或长对话历史。\n\nXGen 系列包含 7B 参数量的模型，提供 4K 和 8K 两种上下文长度的基础版本，以及适用于研究目的的指令微调版本。技术上，它兼容 OpenAI 的 Tiktoken 分词包，可直接通过 HuggingFace Hub 下载并在本地部署，方便开发者进行自回归采样测试。\n\n值得注意的是，XGen 目前定位为研究用途发布。官方建议用户在将模型应用于实际场景前，务必自行评估其在准确性、安全性和公平性方面的表现，并遵守相关法律法规。因此，XGen 最适合对长文本处理有深入需求的研究人员、算法工程师以及希望探索长上下文能力的开发者使用。","# XGen\n\nOfficial research release for the family of **XGen** models (`7B`) by Salesforce AI Research:\n\n*Title*: [Long Sequence Modeling with XGen: A 7B LLM Trained on 8K Input Sequence Length](https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.03450)\n\n*Authors*: [Erik Nijkamp](https:\u002F\u002Feriknijkamp.com)\\*, Tian Xie\\*, [Hiroaki Hayashi](https:\u002F\u002Fhiroakih.me\u002F)\\*, [Bo Pang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=s9fNEVEAAAAJ&hl=en)\\*, Congying Xia\\*, Chen Xing, Jesse Vig, Semih Yavuz, Philippe Laban, Ben Krause, Senthil Purushwalkam, Tong Niu, Wojciech Kryscinski, Lidiya Murakhovs'ka, Prafulla Kumar Choubey, Alex Fabbri, Ye Liu, Rui Meng, Lifu Tu, Meghana Bhat, [Chien-Sheng Wu](https:\u002F\u002Fjasonwu0731.github.io\u002F), Silvio Savarese, [Yingbo Zhou](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=H_6RQ7oAAAAJ&hl=en), [Shafiq Rayhan Joty](https:\u002F\u002Fraihanjoty.github.io\u002F), [Caiming Xiong](http:\u002F\u002Fcmxiong.com\u002F).\n\n(* indicates equal contribution)\n\nCorrespondence to: [Shafiq Rayhan Joty](mailto:sjoty@salesforce.com), [Caiming Xiong](mailto:cxiong@salesforce.com)\n\n## Models\n\nModel cards are published on the HuggingFace Hub:\n\n* [XGen-7B-4K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-4k-base) with support for 4K sequence length.\n* [XGen-7B-8K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-base) with support for 8K sequence length.\n* [XGen-7B-8k-Inst](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-inst) with instruction-finetuning (for research purpose only).\n\nThe tokenization uses the OpenAI Tiktoken package, which can be installed via `pip`:\n\n```sh\npip install tiktoken\n```\n\nThe models can be used as auto-regressive samplers as follows:\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\n\ntokenizer = AutoTokenizer.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", torch_dtype=torch.bfloat16)\ninputs = tokenizer(\"The world is\", return_tensors=\"pt\")\nsample = model.generate(**inputs, max_length=128)\nprint(tokenizer.decode(sample[0]))\n```\n\n## Citation\n\n```bibtex\n@misc{XGen,\n  title={Long Sequence Modeling with XGen: A 7B LLM Trained on 8K Input Sequence Length},\n  author={Erik Nijkamp, Tian Xie, Hiroaki Hayashi, Bo Pang, Congying Xia, Chen Xing, Jesse Vig, Semih Yavuz, Philippe Laban, Ben Krause, Senthil Purushwalkam, Tong Niu, Wojciech Kryscinski, Lidiya Murakhovs'ka, Prafulla Kumar Choubey, Alex Fabbri, Ye Liu, Rui Meng, Lifu Tu, Meghana Bhat, Chien-Sheng Wu, Silvio Savarese, Yingbo Zhou, Shafiq Rayhan Joty, Caiming Xiong},\n  howpublished={ArXiv},\n  year={2023},\n  url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.03450}\n}\n```\n\n## Ethics disclaimer for Salesforce AI models, data, code\n\nThis release is for research purposes only in support of an academic\npaper. Our models, datasets, and code are not specifically designed or\nevaluated for all downstream purposes. We strongly recommend users\nevaluate and address potential concerns related to accuracy, safety, and\nfairness before deploying this model. We encourage users to consider the\ncommon limitations of AI, comply with applicable laws, and leverage best\npractices when selecting use cases, particularly for high-risk scenarios\nwhere errors or misuse could significantly impact people’s lives, rights,\nor safety. For further guidance on use cases, refer to our standard\n[AUP](https:\u002F\u002Fwww.salesforce.com\u002Fcontent\u002Fdam\u002Fweb\u002Fen_us\u002Fwww\u002Fdocuments\u002Flegal\u002FAgreements\u002Fpolicies\u002FExternalFacing_Services_Policy.pdf)\nand [AI AUP](https:\u002F\u002Fwww.salesforce.com\u002Fcontent\u002Fdam\u002Fweb\u002Fen_us\u002Fwww\u002Fdocuments\u002Flegal\u002FAgreements\u002Fpolicies\u002Fai-acceptable-use-policy.pdf).\n","# XGen\n\nSalesforce AI Research 发布的 **XGen** 模型系列（`7B`）的官方研究版本：\n\n*标题*：[使用 XGen 进行长序列建模：一个在 8K 输入序列长度上训练的 7B 大语言模型 (LLM)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.03450)\n\n*作者*：[Erik Nijkamp](https:\u002F\u002Feriknijkamp.com)\\*, Tian Xie\\*, [Hiroaki Hayashi](https:\u002F\u002Fhiroakih.me\u002F)\\*, [Bo Pang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=s9fNEVEAAAAJ&hl=en)\\*, Congying Xia\\*, Chen Xing, Jesse Vig, Semih Yavuz, Philippe Laban, Ben Krause, Senthil Purushwalkam, Tong Niu, Wojciech Kryscinski, Lidiya Murakhovs'ka, Prafulla Kumar Choubey, Alex Fabbri, Ye Liu, Rui Meng, Lifu Tu, Meghana Bhat, [Chien-Sheng Wu](https:\u002F\u002Fjasonwu0731.github.io\u002F), Silvio Savarese, [Yingbo Zhou](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=H_6RQ7oAAAAJ&hl=en), [Shafiq Rayhan Joty](https:\u002F\u002Fraihanjoty.github.io\u002F), [Caiming Xiong](http:\u002F\u002Fcmxiong.com\u002F).\n\n(*表示同等贡献)\n\n通讯作者：[Shafiq Rayhan Joty](mailto:sjoty@salesforce.com), [Caiming Xiong](mailto:cxiong@salesforce.com)\n\n## 模型\n\n模型卡片已发布在 HuggingFace Hub 上：\n\n* [XGen-7B-4K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-4k-base) 支持 4K 序列长度。\n* [XGen-7B-8K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-base) 支持 8K 序列长度。\n* [XGen-7B-8k-Inst](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-inst) 经过指令微调（仅供研究用途）。\n\n分词 (tokenization) 使用 OpenAI Tiktoken 包，可通过 `pip` 安装：\n\n```sh\npip install tiktoken\n```\n\n模型可按如下方式用作自回归采样器 (auto-regressive samplers)：\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\n\ntokenizer = AutoTokenizer.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", torch_dtype=torch.bfloat16)\ninputs = tokenizer(\"The world is\", return_tensors=\"pt\")\nsample = model.generate(**inputs, max_length=128)\nprint(tokenizer.decode(sample[0]))\n```\n\n## 引用\n\n```bibtex\n@misc{XGen,\n  title={Long Sequence Modeling with XGen: A 7B LLM Trained on 8K Input Sequence Length},\n  author={Erik Nijkamp, Tian Xie, Hiroaki Hayashi, Bo Pang, Congying Xia, Chen Xing, Jesse Vig, Semih Yavuz, Philippe Laban, Ben Krause, Senthil Purushwalkam, Tong Niu, Wojciech Kryscinski, Lidiya Murakhovs'ka, Prafulla Kumar Choubey, Alex Fabbri, Ye Liu, Rui Meng, Lifu Tu, Meghana Bhat, Chien-Sheng Wu, Silvio Savarese, Yingbo Zhou, Shafiq Rayhan Joty, Caiming Xiong},\n  howpublished={ArXiv},\n  year={2023},\n  url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.03450}\n}\n```\n\n## Salesforce AI 模型、数据和代码的道德免责声明\n\n此发布仅用于学术研究目的，以支持一篇学术论文。我们的模型、数据集和代码并非专门针对所有下游用途设计或评估。我们强烈建议用户在部署此模型之前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时利用最佳实践，特别是对于错误或误用可能显著影响人们的生活、权利或安全的高风险场景。有关用例的进一步指导，请参阅我们的标准 [AUP（可接受使用政策）](https:\u002F\u002Fwww.salesforce.com\u002Fcontent\u002Fdam\u002Fweb\u002Fen_us\u002Fwww\u002Fdocuments\u002Flegal\u002FAgreements\u002Fpolicies\u002FExternalFacing_Services_Policy.pdf) 和 [AI AUP（人工智能可接受使用政策）](https:\u002F\u002Fwww.salesforce.com\u002Fcontent\u002Fdam\u002Fweb\u002Fen_us\u002Fwww\u002Fdocuments\u002Flegal\u002FAgreements\u002Fpolicies\u002Fai-acceptable-use-policy.pdf)。","# XGen 快速上手指南\n\nXGen 是由 Salesforce AI Research 推出的 7B 参数大语言模型系列，支持长序列建模（最长 8K 输入长度）。本指南介绍如何快速部署和运行该模型。\n\n## 1. 环境准备\n\n*   **系统要求**: 建议配备 NVIDIA GPU（显存至少 16GB 以运行 FP16\u002FBF16 版本）。\n*   **Python 版本**: 3.8 及以上。\n*   **关键依赖**: \n    *   `transformers`\n    *   `torch`\n    *   `tiktoken` (用于分词)\n\n> **注意**: 由于模型位于 HuggingFace Hub，国内用户可能需要配置网络代理或使用镜像站以确保下载速度。\n\n## 2. 安装步骤\n\n首先安装必要的 Python 包：\n\n```sh\npip install tiktoken\n```\n\n确保已安装 PyTorch 和 Transformers 库（如未安装）：\n\n```sh\npip install torch transformers\n```\n\n## 3. 基本使用\n\nXGen 支持多种模型变体，请根据需求选择：\n\n*   [XGen-7B-4K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-4k-base): 支持 4K 序列长度。\n*   [XGen-7B-8K-Base](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-base): 支持 8K 序列长度。\n*   [XGen-7B-8k-Inst](https:\u002F\u002Fhuggingface.co\u002FSalesforce\u002Fxgen-7b-8k-inst): 指令微调版（仅供研究）。\n\n以下是最简单的推理示例代码（以 8K Base 模型为例）：\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\n\ntokenizer = AutoTokenizer.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", torch_dtype=torch.bfloat16)\ninputs = tokenizer(\"The world is\", return_tensors=\"pt\")\nsample = model.generate(**inputs, max_length=128)\nprint(tokenizer.decode(sample[0]))\n```\n\n**代码说明**:\n*   `trust_remote_code=True`: 必须开启，因为模型包含自定义代码。\n*   `torch_dtype=torch.bfloat16`: 推荐使用 BF16 精度以节省显存并提升速度（需硬件支持）。\n\n## 4. 伦理与免责声明\n\n本发布仅用于学术研究目的。模型、数据集和代码并非针对所有下游用途进行专门设计或评估。在部署前，强烈建议用户评估并解决潜在的准确性、安全性和公平性问题。请遵守相关法律法规及最佳实践，特别是在高风险场景中。","某律所的技术合规团队正在审核一份长达百页的跨国并购尽职调查报告，核心任务是从中精准提取所有涉及知识产权归属及侵权责任的条款。\n\n### 没有 xgen 时\n- 主流开源模型通常仅支持 2K 或 4K 上下文，面对长文档必须强制截断，导致尾部内容丢失。\n- 拆分文档后丢失了前后文关联，难以理解条款间的依赖关系，例如前言中的定义与后文的具体约束。\n- 关键风险点分散在不同章节，传统方法容易忽略跨段落的隐性逻辑，导致合规审查出现漏洞。\n- 人工整合多段输出结果耗时巨大，且容易出现信息偏差，严重影响交付质量。\n\n### 使用 xgen 后\n- XGen 直接加载整份报告，利用 8K 序列长度完整保留文档结构，无需任何预处理分段操作。\n- 模型能同时理解引言与具体条款，准确捕捉隐含的逻辑矛盾，确保上下文语义连贯。\n- 自动聚合分散在各处的知识产权定义，避免关键信息遗漏，显著提升风险识别的全面性。\n- 一次性生成结构化摘要，大幅缩短法务审核周期，让专家能将精力集中在最终决策上。\n\nXGen 通过突破上下文长度限制，显著提升了长文档智能分析的准确性与效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsalesforce_xgen_b6f6fc15.png","salesforce","Salesforce","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsalesforce_6ff2d82a.png","Premier Open Source projects released and supported by Salesforce.",null,"osscore@salesforce.com","https:\u002F\u002Fopensource.salesforce.com","https:\u002F\u002Fgithub.com\u002Fsalesforce",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,726,38,"2026-03-08T15:22:45","Apache-2.0","未说明",{"notes":94,"python":92,"dependencies":95},"模型托管于 HuggingFace Hub；分词需安装 tiktoken；加载模型需设置 trust_remote_code=True；仅限学术研究用途，部署前需评估安全性与准确性。",[96,97,98],"torch","transformers","tiktoken",[26,13],[101,102,103,104],"llm","language-model","large-language-models","nlp","2026-03-27T02:49:30.150509","2026-04-06T09:46:57.665553",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},3238,"MMLU 评估的详细分数是如何计算的？","默认输出的是加权平均准确率（weighted_acc），即所有任务正确回答的平均值，这意味着示例数较多的任务权重更大。具体计算方式为 `np.mean(np.concatenate(all_cors))`。如果需要更细致的分析，可以按任务、子类别或类别分别平均。例如，仅平均任务（至 world_religions）得分为 36.25，平均子类别（math 到 law）为 36.64，平均类别（STEM 到 other）为 36.02。整体得分约为 35.8（使用 A\u002FB\u002FC\u002FD 选项）。","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F8",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},3239,"如何正确设置提示模板和处理生成结果？","模型生成时会包含 'Assistant:' 前缀，需要在后处理中去除。代码示例：`output.strip().replace(\"Assistant:\", \"\")`。此外，为了在特定标记处自动截断，请在 generate 函数中添加 `eos_token_id`。例如：`sample = model.generate(**inputs, max_length=2048, do_sample=True, top_k=100, eos_token_id=50256)`。这能防止生成继续或出现乱码。","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F2",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},3240,"词汇表中是否有定义的 pad_token？如何使用？","是的，词汇表中定义了 `\u003C|padding|>` 作为 pad_token。如果遇到 token_id 分配错误（如被分配为 27），通常是旧版 tokenizer 脚本的缓存问题。建议删除缓存文件后重试。验证代码如下：\n```python\nfrom transformers import AutoTokenizer\ntokenizer = AutoTokenizer.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", pad_token='\u003C|padding|>', trust_remote_code=True)\nprint(tokenizer.pad_token_id)  # 应输出 50313\nprint(tokenizer.pad_token)     # 应输出 \u003C|padding|>\n```","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F12",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},3241,"添加 pad_token 时报错如何处理？","如果在设置 pad_token 时遇到 TypeError 或 token_id 更新异常，通常是因为 tokenizer 脚本需要更新。维护者已更新了 tokenizer 脚本，建议直接使用更新后的版本。临时解决方案是在 `tokenization_xgen.py` 中添加 `_convert_token_to_id` 方法，或者直接将 `pad_token_id` 设置为 `eos_token_id`。确保从 Hugging Face 获取最新的 `tokenization_xgen.py` 文件。","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F6",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},3242,"训练时遇到 Tokenizer Key Error 怎么办？","运行训练任务时若遇到 Key Error，可以尝试显式设置 `pad_token` 或使用 `eos_token_id` 替代。解决方法包括：1. 尝试指定 `pad_token=\"\u003C| therset r|>\"`；2. 直接设置 `tokenizer.pad_token_id = tokenizer.eos_token_id`；3. 删除本地缓存的脚本文件并重新加载。示例代码：`tokenizer = AutoTokenizer.from_pretrained(\"Salesforce\u002Fxgen-7b-8k-base\", pad_token=\"\u003C| therset r|>\", trust_remote_code=True)`。","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F13",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},3243,"XgenTokenizer 缺少 _convert_token_to_id 实现如何解决？","在进行 LoRA 训练时，如果遇到 tokenizer 行为混乱或缺少 `_convert_token_to_id` 方法，需要手动实现该方法以将 token 字符串转换为 ID。参考修复代码如下：\n```python\ndef _convert_token_to_id(self, token):\n    \"\"\"Converts a token (str) in an id using the vocab.\"\"\"\n    if isinstance(token, str):\n        ids = self.encoder.encode(token, allowed_special=\"all\")\n        return ids[0] if len(ids) == 1 else ids\n    return token\n```\n确保在自定义 tokenizer 类中包含此逻辑，或更新官方提供的 tokenizer 脚本。","https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fxgen\u002Fissues\u002F10",[]]