企業向け AI エージェントの本番運用に適したガバナンスフレームワーク。セーフティガードレール、コンプライアンス・アス・コード、IAM、人間による意思決定のエスカレーションを実装。

ユーザーがリアルタイムで観察・追跡できるニューラルネットワークを育てることで神経科学を学べる、透明な認知サンドボックス兼デジタルペットシミュレーション。

Ivyは、PyTorch、TensorFlow、JAX、NumPyなどのフレームワーク間で機械学習コード、モデル、ライブラリを変換できるようにするトランスパイラです。

LMFlow は、大規模言語モデルのファインチューニングに適した拡張可能な Python ツールボックスです。全パラメータ学習、LoRA、メモリ効率の高い LISA アルゴリズム、QLoRA 量子化、および FlashAttention‑2、DeepSpeed、vLLM、SGLang などの高速化テクニックをサポートします。トレーニング後は、チャットスタイルの推論用スクリプトとオプションの Gradio/Flask デプロイが提供されます。このライブラリは Linux/Colab 環境向けに設計されており、マルチモーダルモデル、分散報酬モデル推論など、オプションの拡張機能も提供しています。

NVIDIAがメンテナンスするPyTorch用ユーティリティのコレクション。最適化されたCUDA拡張を通じて、混合精度および分散学習をスムーズにします。

PyTorchをラップするscikit-learn互換のニューラルネットワークライブラリで、scikit-learnのパイプラインやグリッドサーチをPyTorchモデルで利用可能にします。

音声、画像、テキスト、動画のための100以上の変換を提供するマルチモーダルデータ拡張ライブラリ。リアルなインターネットデータに対するAIモデルの堅牢性を向上させます。

NVIDIAおよびAMD GPU上で高パフォーマンスな推論サービングを実現するため、深層ニューラルネットワークを最適化されたCUDA/HIP C++コードに変換するPythonフレームワークです。

勾配を必要としない最適化プラットフォームで、特に機械学習におけるハイパーパラメータチューニングに有用です。

Kotlin Multiplatform上に構築され、IDEや複数のデバイスにわたってコーディング、レビュー、リサーチエージェントを統合するAIネイティブなマルチエージェント開発プラットフォーム。

テキスト、画像、表形式データをサポートする視覚的でインタラクティブなMLモデル理解ツール。開発者がモデルの予測をデバッグおよび解釈するのを支援します。

Metaが提供する生産環境対応の強化学習ライブラリ。複雑な現実世界の環境で、フィードバックが疎らで、アクション空間が動的である状況でも動作可能なモジュール型AIエージェントの構築を可能にする。

TensorFlow、Keras、TensorFlow.js、TFLiteモデルを、クロスプラットフォーム互換性とデプロイメントに適したONNX形式に変換するツール。

幅広い最先端モデルを特徴とする、時系列予測、分類、および異常検知のためのオープンソースのディープラーニングフレームワーク。

Apache Mahoutは、量子回路のための統一APIと量子機械学習のためのGPU加速データエンコーディングを提供するPythonライブラリ「Qumat」を特徴とする機械学習環境です。

分散データ上で機械学習と計算を行うためのオープンソースフレームワークで、トレーニングデータをクライアントにローカルに保ちながらも、グローバルなモデルトレーニングを可能にします。

TensorFlow Extended (TFX) は、自動化された機械学習パイプラインの構築とオーケストレーションを可能にする本番スケールのMLプラットフォームです。

WebGPU、WebGL、WebAssembly を使用して、Webブラウザ内で ONNX モデルを直接実行するブラウザベースのニューラルネットワーク推論エンジン。

標準化されたリーダーボードと提出インターフェースを通じて、スケールに応じた機械学習およびAIアルゴリズムの評価と比較を行うオープンソースプラットフォーム。

PyCUDAはNvidiaのCUDA APIのPythonラッパーであり、自動メモリ管理とC++の速度を備えたGPU上で高性能な並列計算を可能にします。

CPUベースの手法と比較して、高次元データの可視化において劇的な高速化を実現するGPUアクセラレートされたFIt-SNEアルゴリズムの実装です。

機械学習モデルを命令として扱い、説明可能でリソースを意識したパイプラインを自動的に構築する最適化コンパイラ。

ルールセットやスパース線形モデルなど、ブラックボックスモデルを置き換えるためのscikit-learn互換の解釈可能な機械学習モデルスイートを提供するPythonパッケージ。

モンテカルロ木探索（MCTS）と深層強化学習を組み合わせ、MCTSベースの意思決定アルゴリズムの研究を標準化・加速させる軽量なPyTorchツールキット。

K8sとRay上で、自動的な障害耐性、自動スケーリング、高速チェックポイント復旧を提供する、大規模AIモデルトレーニングを簡素化する自動分散ディープラーニングシステム。

Nxによる数値高速化を備えたElixir向けニューラルネットワークフレームワーク。モデル作成と学習のための高レベルAPIを提供。

完全準同型暗号（FHE）を使用して、scikit-learn風APIで暗号化データ上の推論と学習を可能にするプライバシー保護型機械学習ライブラリ。

Python風の中間表現と拡張可能な変換プラグインを用いて、トレーニングおよび推論向けにモデルを最適化するPyTorch用ソースツーソースコンパイラ。

C# 開発者がアプリケーションにローカルおよびリモートの AI モデルを簡単に統合できるよう、Ollama API 用の包括的なバインディングを提供する .NET ライブラリ。

TensorFlow でトレーニングと推論の両方で一貫した前処理を実現する、テキスト処理クラスとオペレーションのコレクションです。

scikit-learn を基盤とする Python モジュールで、研究者が共変量とイベント発生までの時間を結びつける生存分析を、打ち切りデータを扱えるように実装しています。

PyTorch 用のメモリ最適化 Batch Normalization 層で、BN と活性化関数を単一のインプレース操作（in-place operation）に統合することで、学習中の GPU メモリ使用量を最大 50% 削減します。

LLM と MCP サーバーを接続することで、開発者が AI エージェントを構築・デプロイできるオープンソースのスタンドアロン MCP ホスト。

共有可能で比較可能、かつ再現可能な BLEU およびその他の翻訳指標を計算するためのツール。テストセットの管理とトークン化を自動化します。

エポックの途中からのチェックポイント作成のための状態保持型ロードと、データ前処理のための構成可能なイテレータを導入する、PyTorch用のスケーラブルなデータロードライブラリ。

AIエージェント向けの自己ホスト型検索ゲートウェイで、複数の検索プロバイダーを1つのPerplexity互換APIに統合し、自動フォールバックで高い信頼性を実現します。

PyTorchベースのライブラリで、Hugging Face Transformerアーキテクチャを順序付きおよびセッションベースの推薦システムに導入し、豊富なタブラー形式の入力特徴とGPU加速をサポートします。

生体分子構造と相互作用ネットワークを幾何学的グラフ表現に変換し、ディープラーニングに活用するための Python ライブラリです。

ビジネス、医療、工学分野における高度な分析に使用されるニューラルネットワークの実装に向けた高性能 C++ ライブラリ。

PyTorch が共有するコア C++ ライブラリを活用する Haskell 用テンソルおよびニューラルネットワークライブラリ

LLM開発プロセスに厳密性をもたらすトレース、ログ、評価ツールを提供する、生成AIアプリケーション開発のためのツールキット。

OptimumのPyTorch量子化バックエンドで、重みと活性化を低精度（int4やfloat8など）に変換することで、モデルのサイズとメモリ使用量を削減します。

Ollama ローカルモデル HTTP API をラップする Rust crate で、テキスト生成、チャット（履歴付き）、ストリーミング応答、モデル管理、埋め込み、マクロベースの LLM ツール/関数呼び出しを簡単に実行できる関数を提供します。

巨大な埋め込みテーブルを持つ大規模なディープラーニングモデルの効率的なトレーニングと推論を実現するGPUアクセラレーテッド推薦フレームワーク。

PyTorch、TensorFlow、MindSporeと互換性のある、モジュール化されたDRLおよびMARLアルゴリズムの包括的かつ統合された深層強化学習ライブラリ。

予測確率に基づいてトークン損失を動的に再スケーリングすることで、教師あり微調整（SFT）中のLLMの汎化性能を向上させる手法。特に推論タスクにおいて効果的です。

複数のCPUアーキテクチャにわたって、ディープラーニングおよびHPCワークロードの最適化に特化した、JITコード生成を使用する高パフォーマンスなライブラリ。

YandexによるSharded Data Parallelismフレームワークで、通信とメモリのオーバーヘッドを削減することでLLMの事前学習を最適化し、PyTorch FSDPと比較して最大20%の高速化を実現します。