SWE-bench是一个基准测试平台，用于评估语言模型在解决GitHub问题中的表现。提供代码库和问题描述，模型生成修复补丁。项目支持Docker容器实现高效可重复测试。最新更新包括SWE-agent的引入，提升评估基准表现。支持x86_64和实验性arm64架构，提供多样数据集和模型下载选项。欢迎NLP、机器学习和软件工程领域的贡献和反馈。

FeatUp是一个模型无关的特征提升框架，可将任意模型的特征空间分辨率提高16-32倍，同时保持语义一致性。该框架支持DINO、CLIP和ResNet50等多种预训练模型，适用于图像分割、目标检测等视觉任务。FeatUp提供简洁的API接口和开源代码，为计算机视觉研究和应用开辟了新途径。

移动设备操作助手家族，包括Mobile-Agent-v3和Mobile-Agent-v2，支持多模态操作和高效导航。该项目通过多代理协作实现快速推理和低内存消耗，适用于各类应用场景。Mobile-Agent在CCL 2024上荣获最佳演示奖，并提供在Hugging Face和ModelScope上的在线体验，无需额外配置即可使用，满足智能操作需求。

ToG是一个结合知识图谱与大语言模型的推理框架，通过'图思考'方式增强模型的推理能力。该框架支持Freebase和Wikidata知识图谱，显著提高了模型在复杂任务中的表现。ToG项目已在GitHub开源，提供了代码和详细说明，为相关研究提供了实验基础。该框架的创新在于深度融合知识图谱，实现了更精确和可靠的推理过程。

Time-LLM将大型语言模型重新用于时序预测，利用其强大功能处理时序数据，并结合专家知识和任务说明提升预测精度。支持Llama-7B、GPT-2和BERT等模型，框架灵活且适应性广泛。了解Time-LLM的最新更新、使用案例和技术细节，访问我们的详细介绍及相关资源。

Consistency Trajectory Model (CTM)是一种新型扩散模型采样方法。该模型在CIFAR-10和ImageNet 64x64数据集的单步采样中表现出色,FID分数分别为1.73和1.92。CTM提供多种采样选项,平衡了计算资源和样本质量。项目开源了PyTorch实现,包含模型训练、采样和评估代码,方便研究人员使用。