transformers

Tutorial de inicio rápido para la biblioteca Transformers

Bindings de Python para los modelos Transformer implementados en C/C++ usando la librería GGML.

Curso práctico sobre Large Language Models.

Síntesis de programas gráficos para figuras científicas y bocetos con TikZ.

Investigación y aplicación de tecnologías como el procesamiento del lenguaje natural, grafos de conocimiento, sistemas de diálogo y grandes modelos.

Parametrización de actualización maximal (µP).

Implementación de Alphafold 3 de Google Deepmind en Pytorch.

Una recopilación de los mejores artículos sobre multi-agentes

Safe RLHF: Alineación de valores restringida mediante aprendizaje por refuerzo seguro a partir de retroalimentación humana

Lag-Llama: Hacia modelos fundacionales para la predicción probabilística de series temporales

Un algoritmo de cuantización SOTA para inferencia de LLM de bajo bit y alta precisión, optimizado para CPU/XPU/CUDA, con soporte para múltiples tipos de datos y compatibilidad total con vLLM, SGLang y Transformers.

[PAMI'23] TransFuser: Imitación con fusión de sensores basada en Transformer para conducción autónoma; [CVPR'21] Transformer de fusión multimodal para conducción autónoma de extremo a extremo

[CVPR 2025 Oral] Infinity ∞: Escalado de modelado autorregresivo bit a bit para la síntesis de imágenes de alta resolución.

Entrenamiento unificado de Transformers para la predicción universal de series temporales.

Implementación en PyTorch de SoundStorm, la generación de audio en paralelo eficiente de Google DeepMind.

MLeap: Despliega canalizaciones de ML en producción

La opción de código abierto para científicos de datos para escalar, evaluar y mantener datos de lenguaje natural. Trata los datos de entrenamiento como un artefacto de software.

Un plan de estudios para aprender sobre modelos fundamentales, desde cero hasta la vanguardia.

Interfaz para modelos OuteTTS.

Modelo BERT coreano preentrenado con distinción de mayúsculas (KoBERT)

Implementación del framework de entrenamiento propuesto en Self-Rewarding Language Model, de MetaAI

Implementación en Pytorch de Transfusion, "Predecir el siguiente token y difundir imágenes con un modelo multimodal", de MetaAI

Ajuste fino de LLM en tu Mac con Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding y ajuste fino de OCR, de forma nativa en MLX. API compatible con Unsloth.

Entrenamiento escalable y optimizado en memoria de modelos de difusión

Una implementación elegante de transformers en PyTorch

Catálogo visual curado de más de 155 arquitecturas de modelos de visión-lenguaje (VLM/MLLM): artículos, diagramas, recetas de entrenamiento, conjuntos de datos y una línea de tiempo de lanzamiento para agentes de IA multimodal.

Jlama es un motor de inferencia de LLM moderno para Java

Una colección de recursos sobre aplicaciones de Transformers en imágenes médicas.

Pruna es un framework de optimización de modelos diseñado para desarrolladores, que permite entregar modelos más rápidos y eficientes con una sobrecarga mínima.

Kit de herramientas de cuantización (compresión) de modelos LLM con soporte de aceleración por hardware para GPU Nvidia, AMD, Intel y CPU Intel/AMD/Apple a través de HF, vLLM y SGLang.