一個透明的認知沙盒和數位寵物模擬，允許用戶透過飼養一個可以實時觀察和追蹤的神經網絡來學習神經科學。

Ivy 是一個轉譯器，允許開發者在 PyTorch、TensorFlow、JAX 和 NumPy 等框架之間轉換機器學習代碼、模型和庫。

LMFlow 是一個可擴展的 Python 工具箱，用於微調大型語言模型。支援全參數訓練、LoRA、記憶體高效的 LISA 算法、QLoRA 量化，以及一系列加速技巧（FlashAttention‑2、DeepSpeed、vLLM、SGLang）。訓練完成後，提供簡單的聊天式推論腳本與可選的 Gradio/Flask 部署。此庫專為 Linux/Colab 環境設計，並提供多模態模型、分散式獎勵模型推論等可選擴充功能。

一組由 NVIDIA 維護的 PyTorch 工具，透過最佳化的 CUDA 擴展簡化混合精度與分散式訓練。

一個包裝 PyTorch 的 scikit-learn 兼容神經網路庫，讓使用者能使用 scikit-learn 的管道與網格搜尋功能操作 PyTorch 模型。

一個提供超過 100 種轉換的多模態資料增強套件，適用於音訊、影像、文字與影片，以提升 AI 模型對真實世界網路資料的韌性。

一個將深度神經網路轉換為最佳化 CUDA/HIP C++ 程式碼的 Python 框架，用於在 NVIDIA 與 AMD GPU 上實現高效率推論服務。

一種無需梯度即可最小化函數的優化平台，特別適用於機器學習中的超參數調優。

基於 Kotlin Multiplatform 構建的 AI 原生多智能體開發平台，可在 IDE 與多個裝置中整合編碼、審查與研究智能體。

支援文字、影像與表格資料的視覺化、互動式 ML 模型理解工具，協助開發者除錯與解讀模型預測。

Meta 提供的生產就緒強化學習庫，用於建構能處理複雜現實環境、稀疏回饋與動態動作空間的模組化 AI 代理。

一個將 TensorFlow、Keras、TensorFlow.js 與 TFLite 模型轉換為 ONNX 格式，以實現跨平台相容性與部署的工具。

一個開源的深度學習框架，專為時間序列預測、分類與異常檢測設計，內建多種先進模型。

Apache Mahout 是一個機器學習環境，其特色包含 Qumat，這是一個為量子電路提供統一 API 以及為量子機器學習提供 GPU 加速數據編碼的 Python 函式庫。

一個用於在分散資料上進行機器學習與運算的開源框架，可在保持訓練資料於客戶端本地的同時，實現全球模型訓練。

TensorFlow Extended (TFX) 是一個生產規模的 ML 平台，提供框架以建構與編排自動化的機器學習流水線。

一個基於瀏覽器的神經網路推論引擎，使用 WebGPU、WebGL 和 WebAssembly 在 Web 瀏覽器中直接執行 ONNX 模型。

一個透過標準化排行榜與提交介面，實現大規模機器學習與 AI 算法評估與比較的開源平台。

PyCUDA 是 Nvidia 的 CUDA API 的 Python 封裝，支援 GPU 上的高效率並行運算，具備自動記憶體管理與 C++ 速度。

一種 GPU 加速的 FIt-SNE 算法實作，相比 CPU 基礎方法，在可視化高維資料方面提供了巨大的速度提升。

將機器學習模型視為指令，自動建構可解釋且資源感知的管道的優化編譯器。

一個提供一系列與 scikit-learn 相容的可解釋機器學習模型的 Python 套件，例如規則集和稀疏線性模型，旨在取代黑盒模型。

結合蒙特卡洛樹搜尋（MCTS）與深度強化學習（DRL）的輕量級 PyTorch 工具包，旨在標準化並加速基於 MCTS 的決策演算法研究。

一個在 K8s 與 Ray 上提供自動故障容錯、自動擴縮與快速檢查點恢復的自動分散式深度學習系統，簡化大規模 AI 模型訓練。

基於 Nx 提供數值加速的 Elixir 神經網路框架，提供用於模型建立與訓練的高階 API。

一個使用完全同態加密（FHE）的隱私保護機器學習套件，透過類似 scikit-learn 的 API 實現加密資料上的推論與訓練。

一個為 PyTorch 設計的源到源編譯器，透過 Python 風格的中間表示與可擴展的轉換外掛，優化模型在訓練與推論中的效能。

一個為 Ollama API 提供全面綁定的 .NET 庫，讓 C# 開發者能輕鬆將本地與遠端 AI 模型整合至其應用程式中。

一組用於 TensorFlow 的文字處理類別與運算，可在訓練與推論的 TensorFlow 圖中實現一致的預處理。

一個基於 scikit-learn 建構的 Python 模組，讓研究人員能連結共變數與事件發生時間，同時處理刪失資料。

為 PyTorch 提供記憶體最佳化的 Batch Normalization 層，透過將 BN 與啟動函數結合為原地操作（in-place operation），在訓練期間減少高達 50% 的 GPU 記憶體使用量。

一個開源的獨立 MCP 主機，讓開發者能透過連接 LLM 與 MCP 伺服器來建構與部署 AI 代理。

一個用於計算可共享、可比較、可重現的 BLEU 及其他翻譯指標的工具，自動化測試集管理和詞元化處理。

一個可擴展的 PyTorch 資料載入函式庫，引入中 epoch 檔案儲存的狀態感知載入功能，以及用於資料預處理的可組合迭代器。

專為 AI 代理設計的自架設搜尋閘道，將多個搜尋提供者整合為單一 Perplexity 相容 API，並透過自動故障轉移實現高可靠性。

一個基於 PyTorch 的套件，將 Hugging Face Transformer 架構引入順序與會話推薦系統，支援豐富的表格輸入特徵與 GPU 加速。

一個用於將生物分子結構與交互作用網絡轉換為幾何圖形表示法的 Python 函式庫，供深度學習使用。

用於商業、醫療與工程領域進階分析的高性能 C++ 神經網路庫。

利用 PyTorch 共享的核心 C++ 庫的 Haskell 張量與神經網路庫

一個為生成式 AI 應用開發提供追蹤、日誌和評估工具的工具包，為 LLM 開發流程帶來嚴謹性。

一個用於 Optimum 的 PyTorch 量化後端，透過將權重和激活轉換為 int4 或 float8 等較低精度，來減少模型大小和記憶體使用。

一個封裝 Ollama 本地模型 HTTP API 的 Rust crate，提供文字生成、聊天（含歷史）、串流回應、模型管理、嵌入向量，以及透過宏系統實作的 LLM 工具／函數呼叫的便捷函式。

專為高效訓練與推論具有巨大嵌入表格的大規模深度學習模型而設計的 GPU 加速推薦框架。

一個全面且統一的深度強化學習庫，提供與 PyTorch、TensorFlow 與 MindSpore 相容的模組化 DRL 與 MARL 演算法集合。

透過基於預測機率動態重新縮放 Token 損失，在監督式微調（SFT）期間提高 LLM 的泛化能力，對推理任務特別有效。

一個使用 JIT 程式碼生成來優化跨多種 CPU 架構的深度學習與 HPC 工作負載的高性能函式庫，專為小型密集與稀疏線性代數運算設計。

由 Yandex 開發的 Sharded Data Parallelism 框架，透過減少通訊與記憶體開銷來優化 LLM 預訓練，比 PyTorch FSDP 快達 20%。

一個用於在標籤資料有限的情況下，透過圖與對抗擾動等結構化訊號來提升準確性與韌性的 TensorFlow 框架。