【对开源AI工具的观察总结】
数据来源:
- 通过GitHub搜索GPT、LLM和generative ai等关键词,结果分别为118K、590个、531个和38个。
- 限定stars大于500的仓库,最终获得了845个软件仓库。
- 51个是教程和汇总列表,794个是软件项目。
AI技术栈:
- 基础设施层:模型部署、计算管理、向量搜索数据库等。
- 模型开发层:框架、推理优化、数据集、评估等。
- 应用开发层:提示工程、人机界面、Agent、AIE框架等。
- 应用层:编码、聊天机器人、信息聚合等。
变化趋势:
- 2023年应用和应用开发层增长迅速。基础设施层变化不大。
- 提示工程、人机界面、推理优化最热门。
开发者分布:
- 20个账号贡献了23%的项目,80%是组织账号。
- 个人账号如lucidrains等也贡献了很多项目,尤其是应用层。
- 超过2万开发者贡献了近100万次commit。
中国开源生态:
- 中文社区也活跃在GitHub上,有针对中文及中英混合的模型。
- 也有面向中文用户的工具和模型应用。
短命项目:
- 许多项目快速发展后也快速衰退,但对社区仍有价值。
个人最喜欢的点子:
- 批量推理优化、更快的解码器、模型融合、受约束采样等。
- 专注解决一个问题的项目也很有价值。
《What I learned from looking at 900 most popular open source AI tools》
网页链接 #机器学习# #人工智能#
数据来源:
- 通过GitHub搜索GPT、LLM和generative ai等关键词,结果分别为118K、590个、531个和38个。
- 限定stars大于500的仓库,最终获得了845个软件仓库。
- 51个是教程和汇总列表,794个是软件项目。
AI技术栈:
- 基础设施层:模型部署、计算管理、向量搜索数据库等。
- 模型开发层:框架、推理优化、数据集、评估等。
- 应用开发层:提示工程、人机界面、Agent、AIE框架等。
- 应用层:编码、聊天机器人、信息聚合等。
变化趋势:
- 2023年应用和应用开发层增长迅速。基础设施层变化不大。
- 提示工程、人机界面、推理优化最热门。
开发者分布:
- 20个账号贡献了23%的项目,80%是组织账号。
- 个人账号如lucidrains等也贡献了很多项目,尤其是应用层。
- 超过2万开发者贡献了近100万次commit。
中国开源生态:
- 中文社区也活跃在GitHub上,有针对中文及中英混合的模型。
- 也有面向中文用户的工具和模型应用。
短命项目:
- 许多项目快速发展后也快速衰退,但对社区仍有价值。
个人最喜欢的点子:
- 批量推理优化、更快的解码器、模型融合、受约束采样等。
- 专注解决一个问题的项目也很有价值。
《What I learned from looking at 900 most popular open source AI tools》
网页链接 #机器学习# #人工智能#
