AI 资源库 · 已整理 5 项
查看与Transformer相关的 AI 资讯、工具、Skill、工作流和开源项目。
lordaashishh/tf-nlp-modern-stack · Complete TensorFlow NLP Guide 2026: BERT, GPT and LLM Downstream Tasks Explained
TemporalMind（仓库名 tf-nlp-modern-stack）是一个面向研究与教学的 NLP 仓库，以连续流水线的方式组织从原始文本清洗、分词与词表构建、主题建模，到 Transformer 下游任务（分类、序列标注、摘要、问答、句子对任务）以及现代 LLM 工作流（提示工程、检索增强生成、适配器与轻量微调）的可复现 notebook 与模块化工具。文档以韩英双语提供，并包含跨语言迁移实验与可复现的评测方法说明。项目自述为教育研究用途，不保证生产可用性。
OpenMachine-ai/transformer-tricks · A collection of tricks and tools to speed up transformer models
Transformer Tricks 是一个围绕 Transformer 模型效率优化的技巧与工具集合，通过移除架构中的冗余组件来提升模型效率。项目包含 slim attention（从 MHA 模型的上下文内存中去除整个 V-cache）、FlashNorm（将 RMSNorm 的权重折叠进后续线性层）、MatShrink（进行中）、第一层预计算、以及为 skipless transformer 仅保留 KV 权重等技巧，并附带论文、讲解视频、Colab notebook 与 Python 包。项目提供 pip 安装的 transformer-tricks 包，以及将基于 RMSNorm 的 HuggingFace 检查点转换为 FlashNorm 变体并发布到 HuggingFace 的转换脚本。
narsinghlaga124/ARIS-in-AI-Offer · Streamline your AI research and campus recruiting tasks with the ARIS agent framework to secure job offers.
该项目是 ARIS（Auto Research in Sleep）agent 框架的产出集合，收录了一系列中英双语的机器学习、LLM、多模态、扩散模型、Agent 与生成模型面试速查表。每份速查表以长文教程形式呈现，包含公式推导、从零实现的 PyTorch 代码，以及按 L1/L2/L3 分层的高频面试题；内容由 ARIS 的 /interview-cheatsheet 与 /render-html 工作流生成，并提供单文件 HTML（MathJax 公式、highlight.js 代码高亮、响应式布局、粘性目录、可离线阅读）。此外仓库还包含将个人简历转换为学术主页的 ARIS-Homepage 流程。
google/deeppolisher · Transformer-based sequence correction method for genome assembly polishing
DeepPolisher 是 Google 开发的基于 Transformer 的序列纠错方法（类似 DeepConsensus），用于识别基因组组装中的错误。它接收单倍型特异的 PacBio HiFi 读段及其比对到分相组装的结果，通过 make_images 与 inference 两步流程，生成包含潜在组装错误的 VCF 文件。当前仅支持 PacBio HiFi 组装与读段数据，模型在 HG002 HiFiasm 二倍体组装上训练，属于研究代码，非医疗器械、不用于临床。
google/deepconsensus · DeepConsensus uses gap-aware sequence transformers to correct errors in Pacific Biosciences (PacBio) Circular Consensus Sequencing (CCS) data.
DeepConsensus 是 Google 开源的生物信息学工具，利用间隙感知（gap-aware）序列 Transformer 对 PacBio 环形一致性测序（CCS）数据进行纠错，从而提升高质量读段的产出量。它运行在 PacBio 测序后的 subreads 上，生成 FASTQ 格式的校正读段，可替代 CCS/HiFi 读段用于下游变异检测与基因组组装分析；README 提供了产出率、运行时间与组装指标等文档，并给出 pip、Docker 与源码的安装方式及建议的计算配置。