#Python包
loopgpt
L♾️pGPT是基于Auto-GPT的Python模块化框架，设计注重模块化和扩展性。支持GPT 3.5，用户无须繁琐配置即可添加功能或自定义代理。此外，L♾️pGPT支持代理状态完整保存，使其能够在不依赖外部数据库的情况下序列化数据。
ontogpt
OntoGPT是一款Python包，通过大语言模型、指令提示和本体定位从文本中提取结构化信息。OntoGPT支持命令行和基本的网络应用接口，并可以与多种API（如OpenAI）进行交互。该工具适用于多种环境，只需设置相关API密钥即可使用多种模型进行信息提取。详细信息请参阅完整文档，提供高效的信息处理解决方案。
MarkLLM
MarkLLM是一个开源工具包，致力于支持大规模语言模型 (LLM) 的水印研究和应用。它提供一个统一的平台，支持九种不同的水印算法，还包括自定义可视化工具和详尽的评估模块，便于研究人员和普通用户对水印技术的访问、理解和评估。
EasyInstruct
EasyInstruct是一个易于使用的指令处理框架，适用于GPT-4、LLaMA、ChatGLM等大型语言模型。框架模块化实现指令生成、选择和提示，支持Self-Instruct、Evol-Instruct和反向翻译等技术，提供丰富的选择指标如长度、困惑度和GPT评分，并包含Shell脚本和Gradio应用的快速上手指南。
generate
Generate 是一个Python包，通过统一的API访问多个生成模型平台，支持文本、多模态、结构体、图像和语音生成。支持OpenAI、Azure等国内外平台，适用于异步、流式和并发调用，满足不同应用场景。用户无需关心平台差异即可享受高效统一的接口封装。
causallib
Causallib是一个Python包，提供统一的因果推断方法，灵感来自scikit-learn API，支持复杂机器学习模型的集成。用户可以进行有适应性的模块化因果建模，提供更准确的效果估计。该包还包括评估工具，用于诊断模型表现差异，适用于各种治疗策略和潜在结果预测。研究人员可以使用causallib从现实世界的观察性数据中推断干预措施的因果影响，适用于医疗和社会科学等领域。更多信息请访问causallib文档。
bbox-visualizer
bbox-visualizer是一款简便实用的软件包，帮助用户在无需复杂计算的情况下绘制物体的边界框及添加标签。该工具支持多种标签方式，包括顶部标签、内部标签、旗帜样标签以及不透明覆盖标签。用户可以通过Python轻松安装和使用。该软件还支持绘制多个边界框及添加多个标签，非常适合计算机视觉相关任务。遵循MIT开源许可证，用户可自由使用与二次开发。
pylabel
PyLabel是一个Python包，可用于为计算机视觉模型（如PyTorch和YOLOv5）准备图像数据集。该工具支持在不同标注格式之间进行转换（如COCO到YOLO），并在Jupyter notebook中提供AI辅助标注功能。PyLabel允许使用单行代码转换标注格式，将注释数据存储在pandas DataFrame中便于分析，按类分层将数据集分为训练集、测试集和验证集，并支持带边界框的图像可视化，从而使图像数据处理更高效便捷。
fairlearn
Fairlearn是一个Python包，帮助开发者评估和缓解AI系统中的不公平问题。它提供缓解算法和模型评估指标，并附有Jupyter笔记本示例。Fairlearn侧重于群体公平性，评估并比较模型对不同群体的影响，提供多种解决不公平问题的策略，使用户在不同AI任务中找到最佳平衡。