SciML 生態系統用的感度分析工具套件，協助判斷模型輸出相對於輸入參數的變化情況。

一個使用 AI 自動根據程式碼變更產生標準化慣例式 git 提交訊息的 CLI 工具。

一個用於離線強化學習的 PyTorch 函式庫，提供最先進的無模型 (model-free) 與基於模型 (model-based) 演算法的標準化框架與實作。

一個經過生產環境測試的 AI Agent 框架，透過實現 SAFe 方法論來協調跨 Claude 與 Gemini 等多種 AI 提供商的多智能體團隊。

一個本地 MCP 伺服器，透過優先於視覺資訊的層級感知系統，使 AI 智能體能夠安全地控制 Windows、macOS 和 Linux 上的任何桌面 GUI。

一組 Kubernetes 部署清單，可協助使用者輕鬆在 Kubernetes 叢集上部署與託管 Dify。

一種為 AI 編程助手設計的持久記憶系統，使用結構化 Markdown 基礎的記憶堆疊，在會話間維持專案上下文、規則與進度。

一個基於 Rust 的神經網路引擎、高階預測模型，以及 CPU 原生、暫時性 AI 的蜂群編排系統所組成的神經智能框架。

一個整合型 AI 硬體評估引擎，可在各種模型、框架與軟體堆疊中對 AI 晶片的實際效能進行基準測試，確保結果公平且可重現。

一款 AI 驅動的 DevOps CLI，允許使用者透過自然語言代理管理、查詢與部署雲端基礎設施與 Kubernetes 叢集。

一個為快速多 GPU 訓練與解碼優化之通用循環神經網絡可擴充訓練框架。

LayerSkip 是一個使大語言模型（LLM）實現早期退出推論與自我推測性解碼的框架，透過讓模型擔任自身的草稿模型來降低推論延遲。

一個用於建立後端的框架與工具集，使 Triton Inference Server 能夠執行來自各種深度學習框架或自訂 C/C++ 逻辑的模型。

一個將基於 stdio 的 Model Context Protocol (MCP) 伺服器封裝為 AWS Lambda 函數的函式庫，使雲端託管的 MCP 伺服器可透過 HTTPS 存取。

一組用於評估 Triton 與 PyTorch 整合效能的 PyTorch 算子集合。

一個用於 Model Context Protocol (MCP) 的 PHP SDK，能夠建立 MCP 伺服器與客戶端，專門針對無狀態的虛擬主機環境進行最佳化。

一個在相同硬體限制下，用於比較不同向量搜尋引擎效能與效率的通用框架。

一個使用符號表達式來輕鬆建立、操作與最佳化迴歸與分類複雜機器學習流程的 Julia 套件。

一個用於在 NVIDIA、AMD 和 Apple Silicon 等多種硬體平台測量與優化深度學習工作負載能源消耗的程式庫。

Sopify 是一種 AI 編碼的開發流程協定，透過強制計畫優先工作流程，並在 Git 追蹤的檔案中儲存可恢復的專案計畫，防止過早編碼。

一個安全框架，用於記錄與緩解使用模型上下文協定（MCP）的智能體系統中的敵對行為。

一個用於模擬私有聯邦學習實驗的 Python 框架，支援多個機器學習框架與差分隱私機制。

一個可執行時載入的 SQLite 擴展，利用 HNSW 實現快速、SIMD 加速的向量搜尋，為近似最近鄰查詢提供 SQL 接口。

一個 Go 客戶端程式庫，提供對 pgvector PostgreSQL 擴展的支援，讓 Go 應用程式能實現向量相似性搜尋與儲存。

一個包含即時可執行深度學習訓練食譜的程式庫，為常見任務提供生產就緒的基線，以消除重複的膠水程式碼。

基於 PyTorch 的統一深度學習框架，專為工業級推薦、廣告與搜尋系統中的超大規模稀疏與密集計算優化。

一個基於 JAX 的學習排序函式庫，提供即用型的排序損失、指標與轉換，用於優化項目相對順序。

一個用於在拓撲領域（如單體複形）進行深度學習的 Python 模組，適用於科學與工程領域。

一種基於MADDPG的多智能體深度強化學習框架，用於優化高速移動車聯網中V2V與V2I通訊的頻譜共享與功率控制。

透過追蹤元資料與自動化任務依賴關係管理，確保可重現性的機器學習流程框架

一個用於科學機器學習和方程式求解器的綜合基準測試套件，可衡量各種數值方法的工作精度效率。

Qdrant 向量搜尋引擎的 Go 客戶端程式庫，提供用於管理集合與執行相似性搜尋的實用工具。

一個適用於 Node.js 應用程式的函式庫與 CLI 工具，用於偵測它們是否正由 AI 代理程式或 AI 驅動的編碼環境執行，以調整其輸出。

將程式碼庫轉換為可搜尋圖譜的知識圖譜可視化工具，用於分析相依性並為開發者提供 GraphRAG 驅動的聊天功能。

一個透過 npm 發佈的 Node 函式庫，為 Kubernetes/DevOps 工作流程加入 LLM 驅動的助手。它提供 CLI 和託管平台 (MCP)，用於自然語言叢集查詢、部署建議、自動修復、策略驅動的提示詞函式庫，以及語義文件搜尋，所有功能都已打包好，可輕鬆安裝在 Kubernetes 叢集上。

一個可透過 ROCm 平台在 AMD GPU 上進行程式設計與執行運算的 Julia 套件。

一組用於在支援 CUDA 的系統上部署和管理 Dask worker 的工具，以促進 GPU 加速運算。

一個為 ClickHouse 設計的 AI 原生控制台，支援自然語言查詢產生、智慧視覺化與叢集診斷。

一個基於 JAX 的函式庫，使用 K-FAC 最佳化器與可擴展的曲率近似來實現神經網路的二階最佳化。

一個 Python 實作的局部離群機率（LoOP），提供 0 到 1 之間的可解釋異常分數作為機率。

AI 代理的本地優先長期記憶層，用於儲存持久事實，並透過稱為 wings 的隔離專案邊界管理上下文

透過 Agent Trust Protocol 提供自動化滲透測試、LLM 紅隊測試，並為 AI 代理提供加密身分標準的自主安全代理。

Oryx 是一個建立在 JAX 上的機率程式設計與深度學習函式庫，可與 JAX 的函數轉換功能整合。

一個評估框架，用於衡量程式碼代理如何在互動式環境中透過反覆實驗與回饋逐步演化出可執行策略。

一個 ComfyUI 自訂節點，用於精確控制解析度與長寬比，具備視覺化 2D 畫布及針對 AI 影像生成的特定模型最佳化功能。

一個將深度學習模型與形式化知識表示結合的 Python 套件，支援本體匹配與子類預測等任務。

針對 NVIDIA DGX Spark 上的 Qwen3.5-122B-A10B 提供一組效能優化方案，透過混合量化與擬似解碼技術，將推論速度從每秒 28.3 個詞元提升至 52 個詞元。

一個擴展 safetensors 格式的函式庫，旨在為各種 LLM 壓縮和量化方案提供統一的儲存和管理系統。