Cohere Python SDK 是一个客户端库，可让开发者在 AWS、Azure、GCP 和 Oracle OCI 等多个平台上访问 Cohere 的 AI 模型。

一个支持跨 100+ GPU 扩展的 PyTorch 库，用于机器学习气象与气候模型的大规模并行训练和推理。

一个用于 Julia 的高性能自动微分包，支持变异并利用优化的中间表示进行高效的微分计算。

一个使用 MLX 在 Apple Silicon 上本地训练和微调大型语言模型（LLM）的工具包，支持广泛的偏好优化和量化感知训练方法。

一个模型路由器，提供单一本地端点，智能地在本地、账户绑定和基于 API 的模型之间路由 AI 请求。

MDia 是一个 Python 库，将 LLM 的中间推理形式化为可重用的“方言卡”（LSF），并提供一个确定性的八阶段流水线（collect → create → evolve → profile → select → run → validate-rules → report），用于在异构模型间生成、演化、分析、路由和审计这些协议。它支持黑盒 LLM API，提供多种路由计划，包含 100 条规则库，并通过在测试评估前冻结决策来保证可复现性。该仓库包含一个无需任何 API 密钥的玩具离线演示、详尽的文档、MIT 许可证，以及对 ICML 2026 海报和 arXiv 论文的引用。

一个将 Ghidra 逆向工程套件与 LLM 代理集成的 MCP 服务器，支持自动化反编译、语义代码搜索和二进制分析。

RxInfer.jl 是一个 Julia 库，使用因子图消息传递实现快速、反应式贝叶斯推断。它能自动利用共轭关系实现精确更新，支持非共轭模型，并可通过 RxInferServer 部署为 REST API。使用 `] add RxInfer` 安装，用 `@model` 宏定义模型，调用 `infer` 获取后验分布。

用于与 Gemini Developer 和 Gemini Enterprise Agent Platform API 交互的 Java SDK，支持内容生成、多模态输入和自动函数调用。

一个为 Megatron-LM 设计的多模态数据加载器，支持大规模、分布式加载和混合海量数据集，用于训练大模型。

一种针对 Apple Silicon 的原生 Swift AI 基础设施，将 Mac 转变为运行 MLX 和 Apple Foundation Models 的私有 OpenAI 兼容服务器。

一款利用 3D 并行和优化内核来减少训练时间和成本的高性能大语言模型训练库。

一个用于 AI 编码代理的 CLI 技能管理器，可让用户在 Claude Code、Cursor 和 Copilot 等工具之间安装、更新和同步可移植的提示包。

outlines‑core 是一个 Rust crate (带有 Python 绑定)，它将 JSON schema 转换为正则表达式，并构建一个快速的基于 DFA 的索引，将这些正则表达式链接到语言模型的词汇表。生成的 `Guide` 对象会在每个生成步骤中告诉您哪些 token ID 是允许的，从而实现 LLM 的结构化、符合 schema 的输出。

一个使用标准化数据集和判断模型，对不同提供者之间的 AI 记忆和上下文系统进行评估和比较的可插拔基准框架。

一个集中式工程手册，可在多个 AI 编码代理和仓库之间同步编码标准和指令。

一个用于评估音频大语言模型 (AudioLLMs) 的通用基准测试，涵盖语音、音频场景和语音理解等 50 多个数据集。

一个生产就绪的 API，无需自定义后端即可立即将 PostgreSQL 数据库转换为 REST 和 Model Context Protocol (MCP) API。

一款用于 Kubernetes 的网络观测工具，利用 eBPF 对流量进行索引，并通过 MCP 集成提供 AI 驱动的故障排除功能。

一个用于训练、评估和部署尖端 AI 模型的图形化工具箱，支持多种硬件加速器。

在仓库中运行持久且自我改进的代理工作流的终端原生运行时，通过质量门禁和代码库索引确保工作确实已完成。

专为大文件、实时协作和 AI 输出流式传输设计的高性能 WYSIWYG Markdown 编辑器与内核

一款原生 macOS 工具，利用 AI 代理模拟真实用户在 iOS、macOS 和 Web 应用中的操作，以识别 UX 摩擦并测试用户目标。

通过精炼噪声命令输出并用可检索句柄替换重复数据，减少 AI 代理令牌使用量的工具。

一个 MCP 服务器，通过 llms.txt 文件为 AI agent 提供透明且可审计的文档获取方式。

WildClawBench 是一个端到端的智能体基准测试，它测试 AI 智能体在实时环境中使用浏览器和 bash 终端等真实工具执行复杂现实世界任务的能力。

一个 PyTorch 框架，用于深度学习研发，去除训练循环样板代码，以加速实验和可复现性。

一个机器学习框架，用于自动化错误分配、质量管理和测试选择，以提升软件工程效率。

用于可视化 AI Agent 追踪轨迹的 React 组件库，将复杂的 JSON 日志转换为层级可视化图表，使调试更加容易。

一个开源的 Claude Code 引擎，通过分级 PRD、依赖排序的任务图和基于证据的执行，将目标转化为已验证的代码。

一种基于 SQLite 的单文件关系型电子表格格式，专为人类用户和 AI 代理设计，用于组织和查询结构化数据。

一个高性能的 Julia 框架，用于基于代理的建模，能够模拟自主代理对环境及彼此的反应。

NetKet 是一个基于 JAX 的 Python 库，利用神经网络和机器学习来研究多体量子系统。

一种语法感知的代码导航工具，为人类和 AI 代理提供结构化洞察，减少探索代码库所需的工具调用次数。

一个 Python 库，通过消除 Hydra 项目中手写的 YAML 配置，简化可配置且可扩展工作流的创建。

为 Claude Code 和 OpenAI Codex 等 AI 编码代理提供操作层，保留仓库状态并协调多步骤工作流。

一个 MCP 原生浏览器控制平面，为 AI 智能体提供具有人机回环（human-in-the-loop）接管功能、可重用身份验证配置文件以及内置安全护栏的真实浏览器。

一个全面的结构化 AI 会议论文记录库，以及用于分析主要会议（如 NeurIPS 和 ICLR）学术文献的本地搜索工具。

一个适用于网页、移动端、AI 和 IoT 应用的可配置后端，通过配置而非代码提供 API、身份验证和 RAG 功能。

一个可执行、Git 原生的表格式数据工作目录，可将临时的代理生成脚本转化为可复现、内容地址化的管道。

Codex CLI、Claude Code 和 ACP 兼容代理的轻量级代理工作站和命令中心，具备任务调度和统一项目工作区功能。

通过在真实任务上测试候选配置，自动分析仓库并应用最便宜、最可靠的 AI 编码配置的工具。

ParoQuant 是一个用于 LLM 的 INT4 量化框架，通过学习到的成对旋转来减少权重异常值，并在高效推理过程中保持高精度。

MInference 通过利用动态稀疏注意力模式，在单个 A100 GPU 上实现高达 10 倍的加速，从而加速长文本 LLM 的预填充（pre-filling）阶段。

一个允许在多个 GPU 上训练大规模图像和视频扩散模型的流水线并行训练脚本。

一个统一的多模态后端，将数据库、编排和服务层整合到一个 Python 文件中，用于 AI 数据应用。

一个包含 8,150 个高保真 CFD 汽车设计的高质量多模态数据集和基准测试，用于训练用于空气动力学优化和性能预测的 AI 模型。

一个无需编码即可实验超参数和高级训练技术的大型语言模型微调无代码 GUI 和框架。