[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-xai-org--grok-1":3,"similar-xai-org--grok-1":47},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":17,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":29,"difficulty_score":30,"env_os":31,"env_gpu":32,"env_ram":33,"env_deps":34,"category_tags":39,"github_topics":17,"view_count":41,"oss_zip_url":17,"oss_zip_packed_at":17,"status":42,"created_at":43,"updated_at":44,"faqs":45,"releases":46},6217,"xai-org\u002Fgrok-1","grok-1","Grok open release","Grok-1 是由 xAI 团队开源的超大规模语言模型，旨在为社区提供透明、可复现的大模型研究基座。它解决了以往顶尖大模型权重不公开、难以进行底层架构验证与二次开发的痛点，让全球开发者能够直接加载并运行一个拥有 3140 亿参数的完整模型。\n\n这款模型特别适合具备深厚技术背景的 AI 研究人员、大模型架构师以及拥有高性能 GPU 资源的开发者使用。由于模型体量巨大且基于 JAX 框架，普通用户若无专业硬件支持较难直接部署，但它却是研究混合专家（MoE）架构的理想样本。\n\nGrok-1 的技术亮点在于其独特的架构设计：采用 64 层网络结构，内置 8 个专家模块的混合专家机制，每处理一个 token 仅激活其中 2 个专家，从而在保持超高参数量的同时兼顾推理效率。此外，它支持 8192 的长上下文窗口，融合了旋转位置编码（RoPE），并原生支持激活分片与 8 比特量化技术。此次开源不仅包含了完整的模型权重，还提供了基于 Apache 2.0 协议的参考代码，方便社区验证模型正确性并推动大模型技术的开放创新。","# Grok-1\n\nThis repository contains JAX example code for loading and running the Grok-1 open-weights model.\n\nMake sure to download the checkpoint and place the `ckpt-0` directory in `checkpoints` - see [Downloading the weights](#downloading-the-weights)\n\nThen, run\n\n```shell\npip install -r requirements.txt\npython run.py\n```\n\nto test the code.\n\nThe script loads the checkpoint and samples from the model on a test input.\n\nDue to the large size of the model (314B parameters), a machine with enough GPU memory is required to test the model with the example code.\nThe implementation of the MoE layer in this repository is not efficient. The implementation was chosen to avoid the need for custom kernels to validate the correctness of the model.\n\n# Model Specifications\n\nGrok-1 is currently designed with the following specifications:\n\n- **Parameters:** 314B\n- **Architecture:** Mixture of 8 Experts (MoE)\n- **Experts Utilization:** 2 experts used per token\n- **Layers:** 64\n- **Attention Heads:** 48 for queries, 8 for keys\u002Fvalues\n- **Embedding Size:** 6,144\n- **Tokenization:** SentencePiece tokenizer with 131,072 tokens\n- **Additional Features:**\n  - Rotary embeddings (RoPE)\n  - Supports activation sharding and 8-bit quantization\n- **Maximum Sequence Length (context):** 8,192 tokens\n\n# Downloading the weights\n\nYou can download the weights using a torrent client and this magnet link:\n\n```\nmagnet:?xt=urn:btih:5f96d43576e3d386c9ba65b883210a393b68210e&tr=https%3A%2F%2Facademictorrents.com%2Fannounce.php&tr=udp%3A%2F%2Ftracker.coppersurfer.tk%3A6969&tr=udp%3A%2F%2Ftracker.opentrackr.org%3A1337%2Fannounce\n```\n\nor directly using [HuggingFace 🤗 Hub](https:\u002F\u002Fhuggingface.co\u002Fxai-org\u002Fgrok-1):\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fxai-org\u002Fgrok-1.git && cd grok-1\npip install huggingface_hub[hf_transfer]\nhuggingface-cli download xai-org\u002Fgrok-1 --repo-type model --include ckpt-0\u002F* --local-dir checkpoints --local-dir-use-symlinks False\n```\n\n# License\n\nThe code and associated Grok-1 weights in this release are licensed under the\nApache 2.0 license. The license only applies to the source files in this\nrepository and the model weights of Grok-1.\n","# Grok-1\n\n本仓库包含用于加载和运行 Grok-1 开源权重模型的 JAX 示例代码。\n\n请确保下载检查点，并将 `ckpt-0` 目录放置在 `checkpoints` 文件夹中——详情请参阅【下载权重】部分。\n\n然后，运行以下命令以测试代码：\n\n```shell\npip install -r requirements.txt\npython run.py\n```\n\n该脚本会加载检查点，并基于一个测试输入对模型进行采样。\n\n由于模型规模庞大（3140亿参数），使用示例代码测试模型需要具备足够显存的机器。此外，本仓库中 MoE 层的实现并不高效；之所以选择这种实现方式，是为了避免引入自定义算子，从而验证模型的正确性。\n\n# 模型规格\n\nGrok-1 目前的设计规格如下：\n\n- **参数量：** 3140亿\n- **架构：** 8 专家混合模型 (MoE)\n- **专家利用率：** 每个 token 使用 2 个专家\n- **层数：** 64\n- **注意力头数：** 查询 48 个，键\u002F值 8 个\n- **嵌入维度：** 6,144\n- **分词器：** SentencePiece 分词器，词汇表大小为 131,072 个 token\n- **其他特性：**\n  - 旋转位置编码 (RoPE)\n  - 支持激活切片和 8 位量化\n- **最大序列长度（上下文）：** 8,192 个 token\n\n# 下载权重\n\n您可以通过 torrent 客户端并使用以下磁力链接下载权重：\n\n```\nmagnet:?xt=urn:btih:5f96d43576e3d386c9ba65b883210a393b68210e&tr=https%3A%2F%2Facademictorrents.com%2Fannounce.php&tr=udp%3A%2F%2Ftracker.coppersurfer.tk%3A6969&tr=udp%3A%2F%2Ftracker.opentrackr.org%3A1337%2Fannounce\n```\n\n或者直接通过 HuggingFace 🤗 Hub 下载：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxai-org\u002Fgrok-1.git && cd grok-1\npip install huggingface_hub[hf_transfer]\nhuggingface-cli download xai-org\u002Fgrok-1 --repo-type model --include ckpt-0\u002F* --local-dir checkpoints --local-dir-use-symlinks False\n```\n\n# 许可证\n\n本版本中的代码及相关的 Grok-1 权重均采用 Apache 2.0 许可证授权。该许可证仅适用于本仓库中的源文件以及 Grok-1 的模型权重。","# Grok-1 快速上手指南\n\n## 环境准备\n\n由于 Grok-1 模型参数量高达 **314B**，运行该模型对硬件资源有极高要求。\n\n*   **硬件要求**：需要配备大容量显存的 GPU 集群（单卡无法承载）。\n*   **软件依赖**：\n    *   Python 环境\n    *   JAX 框架\n    *   Git\n    *   Torrent 客户端（可选，用于磁力链接下载）或 `huggingface_hub`\n*   **网络提示**：下载权重文件较大，建议确保网络连接稳定。若使用 HuggingFace 下载受阻，可配置国内镜像加速或使用代理。\n\n## 安装步骤\n\n### 1. 获取代码\n克隆官方仓库：\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fxai-org\u002Fgrok-1.git && cd grok-1\n```\n\n### 2. 安装依赖\n安装项目所需的 Python 包：\n```shell\npip install -r requirements.txt\n```\n\n### 3. 下载模型权重\n模型权重文件较大，请任选以下一种方式下载，并将 `ckpt-0` 目录放置在项目根目录下的 `checkpoints` 文件夹中。\n\n**方式一：使用 HuggingFace CLI（推荐）**\n需先安装增强传输工具：\n```shell\npip install huggingface_hub[hf_transfer]\n```\n执行下载命令（自动将权重保存至 `checkpoints` 目录）：\n```shell\nhuggingface-cli download xai-org\u002Fgrok-1 --repo-type model --include ckpt-0\u002F* --local-dir checkpoints --local-dir-use-symlinks False\n```\n\n**方式二：使用磁力链接**\n使用支持 BitTorrent 的客户端打开以下链接下载：\n```text\nmagnet:?xt=urn:btih:5f96d43576e3d386c9ba65b883210a393b68210e&tr=https%3A%2F%2Facademictorrents.com%2Fannounce.php&tr=udp%3A%2F%2Ftracker.coppersurfer.tk%3A6969&tr=udp%3A%2F%2Ftracker.opentrackr.org%3A1337%2Fannounce\n```\n下载完成后，手动将 `ckpt-0` 文件夹移动至 `grok-1\u002Fcheckpoints\u002F` 路径下。\n\n## 基本使用\n\n完成上述步骤后，运行以下命令即可加载检查点并对测试输入进行采样：\n\n```shell\npython run.py\n```\n\n> **注意**：当前仓库中的 MoE（混合专家）层实现未针对性能进行优化，旨在验证模型正确性而非追求推理速度。在资源不足的设备上运行可能会失败或极慢。","某大型金融科技公司的气象量化团队正试图利用非结构化新闻数据，构建一个能预测极端天气对供应链影响的高精度模型。\n\n### 没有 grok-1 时\n- **上下文容量受限**：现有开源模型通常仅支持 2k-4k 上下文，无法一次性读入长达数千字的深度气象分析报告，导致关键因果链条断裂。\n- **专业逻辑缺失**：通用小模型在处理“厄尔尼诺现象”与“特定港口吞吐量”之间的复杂推导时，常出现幻觉或逻辑跳跃，需人工反复校验。\n- **推理成本高昂**：为达到可用精度，团队不得不串联多个专用小模型或调用昂贵的闭源 API，导致系统延迟高且数据隐私难以保障。\n- **架构扩展困难**：面对海量历史数据，传统稠密模型算力消耗随参数量线性增长，难以在有限 GPU 资源下实现大规模并行推理。\n\n### 使用 grok-1 后\n- **长文档全景分析**：凭借 8,192 tokens 的上下文窗口，grok-1 能完整吞下整份季度气候评估报告，精准捕捉跨段落的隐性关联。\n- **深度推理能力提升**：依托 3140 亿参数及混合专家（MoE）架构，grok-1 在处理复杂因果推演时表现出类人的逻辑严密性，大幅降低事实性错误。\n- **本地化高效部署**：利用其激活分片与 8-bit 量化特性，团队可在自有集群上私有化部署，既消除了数据外泄风险，又显著降低了单次推理成本。\n- **稀疏计算优势**：每次仅激活 8 个专家中的 2 个，grok-1 在保持超大参数规模的同时，实现了比同量级稠密模型更优的吞吐效率。\n\ngrok-1 通过超大规模参数与高效的稀疏架构，让企业在私有环境下也能拥有处理超长文本与复杂逻辑推理的顶级智能能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxai-org_grok-1_cb6629d9.png","xai-org","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxai-org_4d73fddc.png","Understand the Universe",null,"xai","https:\u002F\u002Fx.ai\u002F","https:\u002F\u002Fgithub.com\u002Fxai-org",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,51523,8466,"2026-04-10T07:03:09","Apache-2.0",5,"未说明","必需。由于模型参数量巨大 (314B)，需要显存极大的 GPU 才能运行示例代码。具体型号和显存大小未说明，但普通消费级显卡无法承载。实现未使用高效自定义内核，可能进一步增加资源消耗。","未说明（鉴于 314B 参数规模，系统内存需求极高）",{"notes":35,"python":31,"dependencies":36},"1. 该仓库仅提供基于 JAX 的示例代码用于加载和运行 Grok-1 开源权重模型。\n2. 模型参数量高达 3140 亿 (314B)，采用 8 专家混合 (MoE) 架构，每 token 激活 2 个专家。\n3. 当前 MoE 层实现效率不高，旨在避免使用自定义内核以验证模型正确性。\n4. 需手动下载权重文件（通过 Torrent 或 HuggingFace），并将 `ckpt-0` 目录放置在 `checkpoints` 文件夹下。\n5. 支持激活分片 (activation sharding) 和 8-bit 量化，最大上下文长度为 8,192 tokens。",[37,38],"JAX","requirements.txt 中列出的依赖包",[40],"语言模型",2,"ready","2026-03-27T02:49:30.150509","2026-04-10T20:35:35.199110",[],[],[48,58,68,76,89,98],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":41,"last_commit_at":54,"category_tags":55,"status":42},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",149489,"2026-04-10T11:32:46",[56,57,40],"开发框架","Agent",{"id":59,"name":60,"github_repo":61,"description_zh":62,"stars":63,"difficulty_score":64,"last_commit_at":65,"category_tags":66,"status":42},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,3,"2026-04-06T11:19:32",[40,67,57,56],"图像",{"id":69,"name":70,"github_repo":71,"description_zh":72,"stars":73,"difficulty_score":41,"last_commit_at":74,"category_tags":75,"status":42},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",[56,40],{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":41,"last_commit_at":82,"category_tags":83,"status":42},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。",85092,"2026-04-10T11:13:16",[67,84,85,86,57,87,40,56,88],"数据工具","视频","插件","其他","音频",{"id":90,"name":91,"github_repo":92,"description_zh":93,"stars":94,"difficulty_score":95,"last_commit_at":96,"category_tags":97,"status":42},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[40,84,87],{"id":99,"name":100,"github_repo":101,"description_zh":102,"stars":103,"difficulty_score":64,"last_commit_at":104,"category_tags":105,"status":42},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",[57,67,56,40,87]]