AI 工具库 · 第 92 页

面向 Java 应用的深度学习框架，可加载模型执行推理，也提供神经网络训练和模型保存接口。

评估语言模型生成代码的测试框架，提供代码正确性基准和执行效率评估工具，可通过命令行生成样本并运行测试。

Frouros 专注于机器学习流程中的漂移检测，可用参考数据拟合检测器，再通过统计检验比较新数据与参考分布。

将 GitHub 仓库生成可交互的架构图，可从组件跳转到代码，并导出 PNG 或 Mermaid 源码。

在 macOS 和 Linux 终端管理 Ollama 模型，可查看大小和量化信息，运行、卸载或整理模型。

Evaluate 提供模型评估、模型比较和数据集测量接口，可加载评估模块、计算指标，并利用指标说明查看输入类型与适用范围。

Transformers 为文本、视觉、音频、视频及多模态模型提供统一的模型定义，用于训练和推理；Pipeline 接口可处理输入预处理并返回任务对应的结果。

LitServe 允许开发者用 Python 定义 AI 推理服务的模型加载、请求处理与输出逻辑，可构建推理 API、智能体和多模型流程，并提供并发与部署支持。

Lynote Humanize Text 用两轮语言模型改写与跨语言机器翻译重新组织文本。它提供 Python 命令行、n8n 工作流和 Docker 入口，能输出逐步处理轨迹，便于检查每次改写。

通过多个模型角色拆分任务、执行子任务并整理最终结果，可保存完整的 Markdown 交互日志。

在本地微型虚拟机中运行智能体和其他不可信任务的执行工具，提供命令行管理、命名沙箱和运行状态检查。

在 Apple 芯片设备上使用 MLX 生成文本和微调语言模型的 Python 工具包，提供终端对话、模型量化及模型仓库集成。

基于 PyTorch 的图像和视频生成编辑工具箱，提供文本生成图像、修复、抠图和超分辨率等任务接口。

Mutahunter 使用语言模型辅助变异测试，针对指定源文件生成变异并运行测试命令，汇总存活、被杀死、超时或编译错误等结果与变异覆盖情况。

提供多类神经网络时间序列模型，通过统一的训练和预测接口处理有规律的历史序列。

结合神经网络与传统时间序列方法进行预测，可查看趋势、季节性等组件并迭代调整模型。

PaddleNLP 是基于飞桨的大语言模型开发套件，支持模型训练、压缩与推理，并通过 Auto API 加载模型和分词器执行文本生成。

基于飞桨的语音与音频处理工具包，可通过命令行或 Python 完成语音识别等任务，并接入相应预训练模型。

picoLLM 是运行压缩大语言模型的跨平台推理 SDK，支持在本地 CPU 或 GPU 上执行模型，并提供 Python 等接口来生成提示词续写结果。

根据任务描述、示例和模型反馈迭代优化提示词，也可结合自定义训练数据调整指令与上下文示例。

PyTorch Geometric（PyG）基于 PyTorch 提供图神经网络开发与训练能力，包含图学习模型、消息传递接口和图数据处理组件。

用于 PyTorch 神经网络训练和评估的高层库，以运行引擎、事件处理和指标计算组织训练验证流程。

基于 LightRAG 的多模态文档问答框架，可处理混合文字、图片、表格和公式的资料，并查询处理后的内容。

Ragas 为大语言模型应用提供评估指标和测试数据生成能力，可定义输出评价规则，并返回评价结果及理由。