TensorLayer 是用 Python 编写的 AI 工具,用于人工智能方向的建模与推理。
Deep Learning and Reinforcement Learning Library for Scientists and Engineers
microsoft
Windows 效率工具集,提供窗口管理、批量重命名、取色器等系统增强功能。目前累计 14 万 star、8.7k fork,在本地项目库中星标排名约第 76 / 65722,主要语言为 C,项目始于 2019 年,采用 MIT 许可。最近状态:本周仍有提交。
适合谁:推荐给需要桌面端软件的团队:涉及 advanced-paste、color-picker、command-palette、desktop 方向。
按累计星标排序,库内共 65,729 个项目(GitHub 上星标 ≥ 1k 的公开仓库约 66,044 个)。
优先使用本地记录的星标快照计算近 7 天真实增量;快照不足 7 天时,按「创建以来日均获星」估算,数值旁会标注口径。
已收录 GitHub 星标过千的公开项目,附原始简介、语言、主题与活跃度。用一句自然语言描述需求,即可获得 AI 推荐。
TensorLayer 是用 Python 编写的 AI 工具,用于人工智能方向的建模与推理。
Deep Learning and Reinforcement Learning Library for Scientists and Engineers
awesome-multimodal-ml 是一个学习资料,用于系统学习与查阅。
Reading list for research topics in multimodal machine learning
Awesome-LLM-Strawberry 是一个 AI 工具,用于大模型与智能体应用开发。
A collection of LLM papers, blogs, and projects, with a focus on OpenAI o1 🍓 and reasoning techniques.
Mooncake 是用 C++ 编写的 AI 工具,用于大模型与智能体应用开发。
Mooncake is the serving platform for Kimi, a leading LLM service provided by Moonshot AI.
awesome-ai-in-finance 是一个资源清单,按主题汇总同类优质资源。
🔬 A curated list of awesome LLMs & deep learning strategies & tools in financial market.
Practical_RL 是用 Jupyter Notebook 编写的学习资料,用于系统学习与查阅。
A course in reinforcement learning in the wild
PufferLib 是用 C 编写的学习资料,用于系统学习与查阅。
Puffing up reinforcement learning
awesome-self-supervised-learning 是一个学习资料,用于系统学习与查阅。
A curated list of awesome self-supervised methods
tensorpack 是用 Python 编写的学习资料,用于系统学习与查阅。
A Neural Net Training Interface on TensorFlow, with focus on speed + flexibility
VLM-R1 是用 Python 编写的学习资料,用于系统学习与查阅。
Solve Visual Understanding with Reinforced VLMs
rllm 是用 Python 编写的 AI 工具,用于大模型与智能体应用开发。
Democratizing Reinforcement Learning for LLMs
AReaL 是用 Python 编写的 AI 工具,用于大模型与智能体应用开发,主打易用、可扩展。
The RL Bridge for LLM-based Agent Applications. Made Simple & Flexible.
keras-rl 是用 Python 编写的学习资料,用于系统学习与查阅。
Deep Reinforcement Learning for Keras.
open_spiel 是用 C++ 编写的学习资料,用于系统学习与查阅。
OpenSpiel is a collection of environments and algorithms for research in general reinforcement learning and search/planning in games.
OpenCat-Quadruped-Robot 是用 C++ 编写的学习资料,用于系统学习与查阅,主打开源免费。
An open source quadruped robot pet framework for developing Boston Dynamics-style four-legged robots that are perfect for STEM, coding & robotics ed…
RLinf 是用 Python 编写的学习资料,用于系统学习与查阅。
RLinf: Reinforcement Learning Infrastructure for Embodied and Agentic AI
xtuner 是用 Python 编写的 AI 工具,用于大模型与智能体应用开发。
A Next-Generation Training Engine Built for Ultra-Large MoE Models
EasyR1 是用 Python 编写的 AI 工具,用于人工智能方向的建模与推理,主打可伸缩。
EasyR1: An Efficient, Scalable, Multi-Modality RL Training Framework based on veRL
deep-rl-class 是用 MDX 编写的学习资料,用于系统学习与查阅。
This repo contains the Hugging Face Deep Reinforcement Learning Course.
🌟100+ 原创 LLM / RL 原理图📚,《大模型算法》作者巨献!💥(100+ LLM/RL Algorithm Maps )
🌟100+ 原创 LLM / RL 原理图📚,《大模型算法》作者巨献!💥(100+ LLM/RL Algorithm Maps )
trlx 是用 Python 编写的学习资料,用于系统学习与查阅,主打可伸缩。
A repo for distributed training of language models with Reinforcement Learning via Human Feedback (RLHF)
Reinforcement-Learning 是用 Jupyter Notebook 编写的学习资料,用于系统学习与查阅。
Learn Deep Reinforcement Learning in 60 days! Lectures & Code in Python. Reinforcement Learning + Deep Learning
dm_control 是用 Python 编写的 AI 工具,用于人工智能方向的建模与推理。
Google DeepMind's software stack for physics-based simulation and Reinforcement Learning environments, using MuJoCo.
[ICML 2021] DouZero: Mastering DouDizhu with Self-Play Deep Reinforcement Learning | 斗地主AI
[ICML 2021] DouZero: Mastering DouDizhu with Self-Play Deep Reinforcement Learning | 斗地主AI
项目列表来自 GitHub 官方 Search API(stars:>1000)。单个查询最多只能返回前 1000 条,所以「同步热门」取到的是星标最高的 1000 个;要拿全量必须按星标区间拆成多个查询——本站会先查各区间的真实数量再自动切分(1k–2k 约 3.2 万个,2k–5k 约 2.1 万个,5k–20k 约 1 万个,2 万以上约 2300 个)。GitHub 上星标过千的公开仓库当前约 66,044 个,本站已收录 65,729 个。星标、简介、语言与主题均为 GitHub 原始字段,未做人工逐一核验。
中文介绍分三种来源,卡片与详情页均有标注:热门项目使用本站人工维护的条目;其余项目由程序依据语言、主题、简介中的特征词与项目数据自动生成;仓库原简介本身是中文时直接引用原文。自动生成的介绍只是对公开字段的归纳,不代表项目方表述,也不构成选型结论。
每日推荐按北京时间每天从星标 6000 以上、近 18 个月仍有提交且未归档的项目中选取,排除近 120 天已推荐过的项目,同一天内结果固定。推荐结果由规则引擎(或配置的大模型)生成,不构成选型结论。
每天每台设备可免费检索 3 次,浏览、筛选和关键词查找不消耗额度。选择下方任一方案即可继续(当前为模拟支付)。
模拟支付不会接入真实渠道,也不会产生任何扣款。