google-deepmind

Ce dépôt contient des implémentations et du code illustratif accompagnant les publications de DeepMind.

Dynamique multi-articulaire avec contact. Un simulateur physique polyvalent.

Code source ouvert pour AlphaFold 2.

Bibliothèque de réseaux de neurones basée sur TensorFlow.

Pipeline d'inférence pour AlphaFold 3.

Environnement d'apprentissage pour StarCraft II.

Bibliothèque LLM à poids ouverts Gemma, par Google DeepMind.

OpenSpiel est une collection d'environnements et d'algorithmes destinés à la recherche en apprentissage par renforcement général, ainsi qu'à la recherche et à la planification dans les jeux.

Pile logicielle de Google DeepMind pour la simulation physique et les environnements d'apprentissage par renforcement, utilisant MuJoCo.

Une bibliothèque de composants et d'agents d'apprentissage par renforcement

Une collection de modèles de haute qualité pour le moteur physique MuJoCo, sélectionnés par Google DeepMind.

Bibliothèque de réseaux de neurones basée sur JAX

Compétences scientifiques GDM pour accélérer les flux de travail scientifiques agents avec une meilleure base de connaissances et une efficacité accrue des jetons. Intègre des données d'AlphaGenome, AFDB, UniProt et plus de 30 autres bases de données et outils.

Recherche arborescente de Monte-Carlo en JAX

Optax est une bibliothèque de traitement de gradient et d'optimisation pour JAX.

Une bibliothèque open source pour l'apprentissage robotique accéléré par GPU et le transfert sim-to-real.

Cette API fournit un accès programmatique au modèle AlphaGenome développé par Google DeepMind.

Suivi de n'importe quel point (TAP)

Ce code génère des paires de questions-réponses mathématiques, couvrant divers types de questions de niveau scolaire.

Synthèse de comportement en temps réel avec MuJoCo, utilisant le contrôle prédictif.

Une bibliothèque pour la simulation sociale générative.

bsuite est une collection d'expériences soigneusement conçues pour étudier les capacités fondamentales d'un agent d'apprentissage par renforcement (RL).

Version optimisée pour GPU du simulateur physique MuJoCo, conçue pour le matériel NVIDIA.

Recherche en apprentissage par renforcement (RL) sur appareils Android.

Une collection d'énoncés formalisés de conjectures dans Lean.

Dramatron utilise des modèles de langage de grande taille pour générer des scripts et des scénarios cohérents.

tree est une bibliothèque pour manipuler des structures de données imbriquées.

Une plateforme pour gérer les expériences d'apprentissage automatique

Une suite de scénarios de test pour l'apprentissage par renforcement multi-agents.

Une implémentation du réseau de neurones fermionique pour les calculs de structure électronique ab-initio

Code de recherche accompagnant AlphaGenome.

Reverb est un système de stockage et de transport de données efficace et facile à utiliser, conçu pour la recherche en apprentissage automatique.

Code officiel pour "Large Language Models as Optimizers"

Code d'accompagnement pour la publication Nature « Discovering State-of-the-art Reinforcement Algorithms »

TORAX : simulation de transport de tokamak dans JAX

Évaluation comparative de la factualité à long format dans les grands modèles de langage. Code source original de notre article "Long-form factuality in large language models".

📁 Sauvegarde du client Clash

Sur les limitations théoriques de la recherche basée sur des embeddings

Échecs grandmaster sans recherche

TIPSv2 (CVPR'26) et TIPS (ICLR'25)

Bibliothèque pour calculer des métriques de performance basées sur la distance de surface pour les tâches de segmentation.

Base de code de recherche minimale et évolutive en JAX, conçue pour une itération rapide sur la recherche de pointe dans les LLM et autres modèles autorégressifs.

DQN Zoo est une collection d'implémentations de référence d'agents d'apprentissage par renforcement développés chez DeepMind, basés sur l'agent Deep Q-Network (DQN).