transformers

Tutoriel de démarrage rapide pour la bibliothèque Transformers

Bindings Python pour les modèles Transformer implémentés en C/C++ via la bibliothèque GGML.

Cours pratique sur les grands modèles de langage (LLM).

Synthèse de programmes graphiques pour figures scientifiques et croquis avec TikZ.

Recherche et applications en traitement du langage naturel, graphes de connaissances, systèmes de dialogue et grands modèles.

Paramétrage de mise à jour maximale (µP)

Implémentation d'Alphafold 3 de Google Deepmind en Pytorch.

Une compilation des meilleurs articles de recherche sur les systèmes multi-agents.

Safe RLHF : Alignement de valeur contraint via l'apprentissage par renforcement sécurisé à partir de la rétroaction humaine

Lag-Llama : Vers des modèles de fondation pour la prévision probabiliste de séries temporelles

Un algorithme de quantification SOTA pour l'inférence LLM basse précision haute précision, optimisé pour CPU/XPU/CUDA, avec support multi-type et compatibilité totale avec vLLM, SGLang et Transformers.

[PAMI'23] TransFuser : imitation avec fusion de capteurs basée sur Transformer pour la conduite autonome ; [CVPR'21] Transformer de fusion multi-modale pour la conduite autonome de bout en bout

[CVPR 2025 Oral] Infinity ∞ : Mise à l'échelle de la modélisation autorégressive bitwise pour la synthèse d'images haute résolution.

Entraînement unifié de Transformers pour la prévision de séries temporelles universelles.

Implémentation en Pytorch de SoundStorm, le modèle de génération audio parallèle efficace de Google Deepmind.

MLeap : déploiement de pipelines de machine learning en production

Le choix open-source des data scientists pour mettre à l'échelle, évaluer et maintenir les données en langage naturel. Traitez les données d'entraînement comme un artefact logiciel.

Un programme d'apprentissage sur les modèles de fondation, de zéro jusqu'à la pointe de la technologie

Interface pour les modèles OuteTTS.

Modèle BERT coréen pré-entraîné avec casse (KoBERT).

Implémentation du framework d'entraînement proposé dans Self-Rewarding Language Model, par MetaAI

Fine-tuning de LLM sur Mac avec Apple Silicon. Support natif MLX pour SFT, DPO, GRPO, Vision, TTS, STT, Embedding et OCR. API compatible avec Unsloth.

Implémentation PyTorch de Transfusion, un modèle multimodal capable de prédire le prochain jeton et de diffuser des images, par MetaAI.

Entraînement évolutif et optimisé en mémoire de modèles de diffusion

Une implémentation élégante de transformers en PyTorch

Catalogue visuel organisé de plus de 155 architectures de modèles vision-langage (VLM/MLLM) : articles, diagrammes, recettes d'entraînement, jeux de données et chronologie des versions pour les agents IA multimodaux.

Jlama est un moteur d'inférence LLM moderne pour Java.

Collection de ressources sur les applications des Transformers en imagerie médicale.

Pruna est un framework d'optimisation de modèles conçu pour les développeurs, permettant de fournir des modèles plus rapides et plus efficaces avec un minimum de surcoût.

Boîte à outils de quantification (compression) de modèles LLM avec accélération matérielle pour GPU Nvidia, AMD, Intel et CPU Intel/AMD/Apple via HF, vLLM et SGLang.