api-evangelist/openpipe · OpenPipe — independent third-party profile of a public API surface, by API Evangelist. OpenPipe is a fine-tuning and inference platform for distilling expensive frontier-LLM workloads into smaller, cheaper specialized models. Captures production traces (OpenAI and Anthropic), fine-tunes, evaluates with judges, caches results, and serves the result
OpenPipe 是一个面向大语言模型的微调与推理平台，核心能力是把昂贵的前沿 LLM 工作负载蒸馏为更小、更便宜的专用模型。平台可采集生产环境中的调用轨迹（支持 OpenAI 与 Anthropic），在此基础上进行微调、使用 judges 做评估、缓存结果，并通过 OpenAI 兼容 API 提供服务，同时支持代理转发到外部模型。本仓库是 API Evangelist 维护的第三方公开 API 概况资料，本身不包含软件，也不是该公司的官方仓库。
展开详情收起详情：OpenPipe：将前沿大模型工作负载蒸馏为更小更便宜专用模型的微调与推理平台⌄
★ 1 · 资料合集
GitHub
原文发布：未知收录：2026-09-24
higgsfield-ai/higgsfield · Fault-tolerant, highly scalable GPU orchestration, and a machine learning framework designed for training models with billions to trillions of parameters
Higgsfield 是开源、容错的 GPU 编排与机器学习框架，面向数十亿至数万亿参数模型（如大语言模型）的多节点训练。它提供 GPU 资源分配、训练任务启动与监控、实验排队与资源竞争管理，并支持 ZeRO-3 DeepSpeed 与 PyTorch 全分片数据并行，以及通过 GitHub 和 GitHub Actions 持续集成。
展开详情收起详情：higgsfield：面向大模型训练的多节点 GPU 编排与分布式训练框架⌄
★ 5354 · 开发框架
GitHub
原文发布：未知收录：2026-09-21
gabrielsmonteiro87-web/Auto-Quant
Auto-Quant 是一个收录于 ai-trade、automl、quantum-computing 等主题下的开源仓库，项目主题涵盖 BERT、H2O、LightGBM、多模态、多分类、时序与股票数据，并同时出现 Python 与 R 语言标记，定位为量化投资与自动机器学习方向的平台。README 目前仅包含项目标题，未提供具体能力、安装方式、运行条件或使用文档，因此其功能细节、依赖与限制均未说明。
展开详情收起详情：Auto-Quant：面向量化投资的多模型自动机器学习平台⌄
★ 0 · 开发框架
GitHub
原文发布：未知收录：2026-09-18
Valliemidland674/Jackrong-llm-finetuning-guide · Learn LLM fine-tuning with an end-to-end guide for beginners and developers using Unsloth, LoRA, PEFT, and Google Colab
该项目是一份面向初学者与开发者的端到端大语言模型微调指南，覆盖基座模型选择、数据集准备、prompt/response 格式化、LoRA 与 PEFT 训练、模型保存与测试、上传 Hugging Face 等完整流程。示例涉及 Llama 3、Qwen、DeepSeek 等开源模型，并使用 PyTorch、Unsloth、PEFT、Hugging Face 与 Google Colab 等常见工具，提供 Windows 本地与 Colab 两条上手路径，并包含多语言（英/中/韩/日）文档。
展开详情收起详情：Jackrong-llm-finetuning-guide：面向初学者的 LLM 微调端到端教程⌄
★ 5 · 资料合集
GitHub
原文发布：未知收录：2026-09-18
EM7m4/Distill-R1 · Combine reinforcement learning with online teacher-student distillation to improve vision-language model training using a dedicated teacher model.
Distill-R1 探索将强化学习与在线 teacher-student 蒸馏相结合，借助专门的教师模型来改进视觉语言模型的训练。仓库 README 仅给出项目名称，未提供更多实现细节。
展开详情收起详情：Distill-R1：结合强化学习与在线师生蒸馏改进视觉语言模型训练⌄
★ 0 · 研究实现
GitHub
原文发布：未知收录：2026-09-18
bababa14/fast-DreamBooth · 🎨 Create a customized Stable Diffusion model in just 30 minutes using your images with the automated Fast DreamBooth in Google Colab.
fast-DreamBooth 是一个基于 Google Colab 的自动化 DreamBooth 工具，用于使用自己的图片训练定制化 Stable Diffusion 模型。据描述，整个过程大约只需 30 分钟，适合初学者和希望快速实验 AI 图像生成的用户。项目提供 Jupyter Notebook 形式的使用流程，涵盖图片上传、模型训练和训练后图像生成等步骤。
展开详情收起详情：fast-DreamBooth：在 Google Colab 中用个人图片快速微调 Stable Diffusion 模型⌄
★ 2 · 可直接使用的工具
GitHub
原文发布：未知收录：2026-09-18
Kokotpica/surogate · 🚀 Accelerate large language model training and fine-tuning with Surogate’s high-performance, mixed-precision framework in C++ and Python.
surogate 是一个用于在 NVIDIA GPU 上快速进行大语言模型训练与微调的应用，采用 C++ 与 Python 的高性能混合精度框架，支持 Llama、Qwen 等多种模型，并提供参数设置与一键训练的图形化使用流程。
展开详情收起详情：surogate：面向 NVIDIA GPU 的大模型训练与微调框架⌄
★ 2 · 可直接使用的工具
GitHub
原文发布：未知收录：2026-09-18
jax-ml/jax · Composable transformations of Python+NumPy programs: differentiate, vectorize, JIT to GPU/TPU, and more
JAX 是一个 Python 库，用于面向加速器的数组计算与程序变换，面向高性能数值计算和大规模机器学习。它可以自动微分原生 Python 与 NumPy 函数，支持循环、分支、递归和闭包中的微分以及任意阶导数，并提供反向模式与正向模式微分。JAX 借助 XLA 将 NumPy 程序编译并扩展到 TPU、GPU 及其他硬件加速器，支持用 jax.jit 编译纯函数，编译与自动微分可任意组合。此外，JAX 提供 jax.vmap 自动向量化，并支持编译器自动并行、显式分片与手动单设备编程等扩展方式。该 README 说明这是一个研究项目，而非 Google 官方产品，使用时应预期一些需要注意的边界问题。
展开详情收起详情：JAX：面向加速器的高性能数值计算与可组合函数变换库⌄
★ 36307 · 开发框架
GitHub
原文发布：未知收录：2026-09-17