lightvector/KataGo
GTP engine and self-play learning in Go
解决的问题
KataGo 是一个高性能的开源围棋AI，旨在成为目前可用的最强选择之一。它解决了提供超人级围棋AI的问题，该AI可通过自对弈从零开始训练，无需依赖庞大的外部数据集，并可用于高水平对局和详细的游戏分析。
工作原理
KataGo 使用类似 AlphaZero 的训练流程，利用神经网络（包括对 Transformer 模型的最新支持）和蒙特卡洛图搜索（MCTS 的扩展）。它注重效率，仅用数个 GPU 运行数天即可在 19x19 棋盘上达到高级业余段位水平，或在单个消费级 GPU 上运行数月后达到超人水平。支持多种硬件后端，包括 OpenCL、CUDA、TensorRT、ROCm、ONNX Runtime 和 Eigen（CPU）。
适用人群
- 希望拥有强劲对手或游戏分析工具的围棋玩家。
- 需要 GTP 兼容引擎的围棋软件开发者。
- 对自对弈训练和蒙特卡洛图搜索感兴趣的 AI 研究人员。
主要亮点
- 胜率与实地估算：与仅提供胜率的机器人不同，KataGo 能估算实地和得分，对业余对局分析非常有用。
- 广泛支持：支持从 7x7 到 19x19 的多种棋盘尺寸和广泛的规则集。
- 硬件灵活性：提供六种不同的后端，确保在 NVIDIA、AMD、Intel GPU 和 CPU 上的兼容性。
- 高效训练：使用相对普通的硬件即可从零开始训练至超人水平。
- 人类风格对弈：可通过特定的人类 SL 模型模仿不同段位的人类对弈风格。
相关
- 项目
- 项目
MigoXLab/dingoDingo 是一个开源的 Python 库（以及 SaaS 产品），用于评估 AI 数据、模型输出和 RAG 系统。支持基于规则、基于 LLM 和基于代理的检查，可从文件、数据库、S3 或 Hugging Face 流式读取数据，并提供 JSON 报告及可选的可视化仪表板。通过 `pip install dingo-python`（含可选扩展）安装，通过 CLI（`dingo eval …`）或 Python SDK 运行，并可通过自定义规则、LLM 提示或代理进行扩展。
- 项目
hatchet-dev/hatchetHatchet 是一个开源编排引擎，可让您可靠地运行后台任务、AI代理流水线和持久工作流。它将所有状态存储在 PostgreSQL 中，提供重试、调度、DAG、速率限制、优先级队列和实时 UI，并提供 Python、TypeScript、Go 和 Ruby 的 SDK。您可以将其作为托管云服务使用，或通过 Docker 自托管。
- 项目
smallnest/pigopigo 是一个基于 Go 的 CLI AI 代码助手（pi 代理的克隆），可读写文件、运行 shell 命令、获取网页内容，并与多种 LLM 提供商交互。它可在无头脚本模式或交互式 REPL 中运行，支持工具级允许/拒绝列表、项目信任、提示模板、技能、插件、自更新，并提供 Go SDK 用于嵌入。
- 项目
Jittor/jittorJittor 是一个高性能深度学习框架，通过 JIT 编译整个计算图，并使用元操作符生成针对特定模型优化的 CUDA/C++ 内核。它提供类似 PyTorch 的 Python API，支持 CPU 和 GPU 后端（CUDA、ROCm、Hygon），并包含视觉、渲染、几何学习和强化学习领域的模型库。