🤗 Diffusers 是一个生成图像、音频和3D结构的预训练扩散模型库，提供易用的推理管道和可定制的模型组件。它支持多种调度器和预训练模型，适用于多种任务和应用场景，并兼容 PyTorch 和 Flax 框架。用户可以简单生成内容或训练自定义扩散模型。

本页面详细介绍了通过使用Flan集合微调Vicuna-13B以开发Flacuna模型的过程，及其在Flan-T5文本到音频生成中的应用。项目展示了扩展Stanford Alpaca指令微调到现有模型的方法，并提供了多种预训练模型，均可在HuggingFace上获取。用户可以在这里找到Flan-Alpaca系列模型的训练、使用和推理的详细指南，以优化各种任务性能。

该项目提供了一系列循序渐进的教程，指导从零开始构建常见的Transformer模型，如BERT、GPT、GPT2、BART和T5。教程不仅讲解基本架构的实现，还包括预训练和微调示例，并提供小型PyTorch库以便额外使用。项目依赖HuggingFace的tokenizers库进行子词标记，适用于不同规模数据集的训练需求，还涵盖了多工作节点的分布式训练示例，非常适合希望深入了解Transformer模型原理和应用的学习者。

提供一个兼容HuggingFace Transformers的附加库，整合超过10种Adapter方法和超过20种先进Transformer模型，简化训练和推理的编程工作量。支持高精度与量化训练、任务算术合并适配器以及多适配器组合等功能，适用于NLP任务的参数高效传输学习。

Tevatron提供高效工具包，支持在GPU和TPU上大规模训练和推理神经检索模型，集成DeepSpeed和LoRA等技术，可加载HuggingFace的预训练模型，适用于神经检索和开放域QA任务。

StableVideo 通过采用最新的文本驱动一致性扩散算法，提供了创新的视频编辑技术。用户可以下载预训练模型和示例视频，用于视频帧的编辑和渲染。该工具支持多种配置，提供详细的安装和运行指南，便于在本地进行实验。借助 ControlNet 和 Text2LIVE 等开源资源，StableVideo 展示了其在视频处理领域的强大应用潜力。如果该项目对研究有帮助，请参考相关学术论文。

HuggingFace-Download-Accelerator是一个专为国内用户开发的HuggingFace资源下载工具。该项目结合官方下载工具和镜像站，大幅提升了模型和数据集的下载速度。它支持自定义存储路径、授权模型获取和文件筛选，简化了下载流程并优化了存储管理。这一工具为用户提供了便捷、高效的HuggingFace资源获取方案，有效解决了国内用户面临的下载困难。

本指南系统介绍了方法、工具和逐步操作说明，帮助工程师成功训练大规模语言模型（LLM）和多模态模型（VLM）。内容涵盖丰富的脚本和命令，适合LLM/VLM训练工程师和操作员使用。基于作者在开源BLOOM-176B和IDEFICS-80B模型训练中的经验，提供有效解决方案，并持续更新，服务于ML社区。

本项目通过将大型语言模型（LLM）与文本到图像扩散模型结合，提高了提示理解能力。LLM负责解析文本请求，生成中间表示如图像布局，最终通过稳定扩散模型生成高质量图像。项目支持多种生成方法和开源模型，用户可自行设置实现自托管，从而节约API调用成本。项目更新频繁，包括支持高分辨率生成和集成SDXL精炼器等功能。

Code-Interpreter是一个开源的免费代码执行工具，利用GPT 3.5 Turbo、PALM 2、Groq、Claude、多种HuggingFace模型等将多种任务转换为可执行代码。支持文件查找、图像处理、视频编辑和数据分析等多任务，兼容Windows、MacOS和Linux系统，设计简单易用，无需下载模型。适用于开发者、数据科学家等用户。

TinyLLaVA Factory是一个开源的模块化代码库，专注于简化小规模多模态模型的开发和定制，使用PyTorch和HuggingFace实现。其设计旨在简化代码实现、提高扩展性和确保训练结果的可重复性。支持如OpenELM、TinyLlama、StableLM等语言模型和CLIP、SigLIP等视觉模型。通过TinyLLaVA Factory，可减少编码错误，快速定制多模态模型，提高性能，为研究和应用提供强大工具。

该项目展示了如何正规化扩散模型中的随机种子，并实现零样本图像到图像翻译和指导。CycleDiffusion方法无需配对图像，利用稳定扩散等模型实现图像翻译。项目还提供详细的安装和使用指南，包括依赖项、预训练模型和评估数据等内容，通过这些工具可提高生成图像的质量和一致性。

LeptonAI框架提供了一种Pythonic抽象方式，将研究和建模代码快速转化为AI服务。支持启动包括Llama、SDXL、Whisper等常见模型，具备自动批处理和后台作业等AI优化功能。用户可以通过Python客户端轻松调度服务，也能快速在云环境中部署。开发者可参考丰富的文档和示例库，灵活定制Photon类和Handler函数。

HuggingSound是基于HuggingFace工具开发的语音处理工具库。该项目为语音识别、模型微调和评估提供了简洁的接口。适用于Python 3.8+环境，支持pip安装。HuggingSound能够利用预训练CTC模型进行推理，并通过语言模型增强识别准确度。此外，它还包含模型评估和微调功能，便于研究人员根据特定数据集优化模型表现。

LangChain-ChatGLM-Webui 是一个利用LangChain和ChatGLM-6B系列模型的Web界面，支持txt、docx、md、pdf等格式文件上传，适用于本地知识驱动的大模型应用。项目支持HuggingFace、OpenXLab等多个平台的在线体验，适合开发者快速部署多种大语言模型和嵌入模型。

transfer-learning-conv-ai项目提供了一套完整的代码库，使用OpenAI GPT及GPT-2模型通过迁移学习技术培训对话型AI代理。用户可以在1小时内完成模型训练，还可以直接使用预训练模型。本代码库支持在单GPU或多GPU下训练，并兼容Docker环境。适合参与NeurIPS 2018对话竞赛。

项目旨在创建中文通用文本嵌入模型，提供训练、微调和评测代码，并在 HuggingFace 开源。更新亮点包括：FineTuner 支持多模型微调、推出中文版 MTEB 以及 M3E 系列模型在分类与检索任务中的表现。M3E 模型完全兼容 sentence-transformers，使用简易代码即可微调。项目推出 MTEB-zh 进行标准化评测，覆盖多个数据集和模型，结果已发布。

Bumblebee提供基于Axon的预训练神经网络模型，并集成Hugging Face模型，使机器学习任务变得简单。用户可通过Livebook和Phoenix轻松部署模型，支持CPU和GPU加速。其可加载和配置多种模型，在端到端的机器学习流水线中使用。官方文档和示例代码帮助用户深入了解Bumblebee的强大功能和实际应用。

LLM-Adapters 是一个集成了多种适配器的框架，用于实现大语言模型的参数高效微调。支持 LLaMa、OPT、BLOOM 和 GPT-J 等开源大语言模型，以及 Bottleneck、Parallel 和 LoRA 等适配器。这个框架为研究人员和开发者提供了强大的工具，可应用于各种任务的适配器方法。最新更新包括 commonsense170k 数据集，LLaMA-13B-Parallel 模型在多个常识基准测试中表现优异，超越了 ChatGPT。

chat_templates是一个开源项目,为指令微调的大语言模型提供标准化聊天模板。该项目支持transformers库的chat_template功能,收录了Llama、Mistral、Qwen等主流大语言模型的聊天模板。此外,项目还提供了用于控制响应生成的配置文件。开发者可借助这些模板和配置,更便捷地使用各类大语言模型进行对话生成。

本项目是DeepMind的Skillful Nowcasting GAN深度生成模型(DGMR)的开源实现，专注于提高短期天气预报精度。基于PyTorch Lightning框架开发，严格遵循DeepMind公布的伪代码。项目集成了预训练模型，支持英国和美国的降水雷达数据，并通过HuggingFace Datasets简化了数据获取流程。DGMR模型展示了生成高质量短期天气预报的能力，为气象预报领域带来了创新。

项目提供开源且商用的中文Llama2模型及中英文SFT数据集，兼容llama-2-chat格式并支持优化。项目包含在线演示、多模态模型、Docker部署和API接口，支持多种硬件配置，用户可快速下载与测试。

mlx-llm支持用户在Apple Silicon设备上实时运行高级语言模型（LLMs）的应用和工具。该项目支持多种预训练模型，并提供简便的安装方法。用户可以加载新版预训练权重、进行模型量化及嵌入提取。此外，mlx-llm还覆盖了多种应用场景，包括命令行聊天、LoRA或QLoRA微调及检索增强生成（RAG）等。

Pico MLX Server提供简单易用的图形界面，便于管理MLX AI模型。通过菜单栏可以迅速启动和停止服务器，用户还可以从HuggingFace下载MLX模型，安装Python环境和必要依赖，并在多个端口同时运行多个服务器。此外，Pico MLX Server兼容OpenAI API，支持现有的AI聊天客户端。适用于macOS 14.0及以上版本。

🤗 Exporters工具包旨在简化将Transformer模型转换为Core ML格式的过程，避免手动编写转换脚本。它与Hugging Face Transformers库紧密集成，并提供无代码转换体验，支持BERT和GPT-2等多种模型架构。工具包可在Linux和macOS平台上运行，利用coremltools实现从PyTorch或TensorFlow到Core ML的转换，并通过Hugging Face Hub进行模型管理，提升模型转换和部署的便捷性及灵活性。

One-2-3-45项目创新性地提出了一种2D扩散模型在3D AIGC中的正向操作方法，无需耗时的优化过程。项目提供详细的安装说明和多种演示方式，包括在线互动演示和完整的配置指南。通过整合Hugging Face的Gradio API，用户可以方便地进行图像预处理和3D网格重建。该项目已被NeurIPS 2023接受，并提供了详细的训练代码和数据集，促进单图像到3D模型的快速生成。

这个项目汇集了基于HuggingFace Transformers库的多种深度学习模型教程，涵盖自然语言处理和计算机视觉等领域。内容包括BERT、DETR、LayoutLM等模型的微调和推理示例，展示了在图像分类、目标检测、文档分析等任务中的应用。所有代码采用PyTorch实现，并提供Colab notebooks方便实践。

llms_tool是一个基于HuggingFace的大语言模型工具包，支持多种模型的训练、测试和部署。它提供预训练、指令微调、奖励模型训练和RLHF等功能，支持全参数和低参数量训练。工具包集成WebUI和终端预测界面，以及DeepSpeed分布式训练。涵盖ChatGLM、LLaMA、Bloom等主流模型，提供多种训练方法和量化选项。