Самый простой способ запустить открытую модель на своём компьютере: одна команда скачивает и запускает её, плюс локальный REST API и библиотеки для Python и JavaScript.
Все репозитории
Открытые модели и инференсDao-AILab
flash-attention
Быстрая и экономная по памяти реализация механизма внимания, на которой держится обучение и запуск больших моделей на GPU. Результат точный, без приближений.
Кому подойдёт
Тем, кто ускоряет обучение и инференс трансформеров на видеокартах NVIDIA.
Как начать
- Поставь
packaging,psutilиninja, они нужны для сборки. - Установи:
pip install flash-attn --no-build-isolation. - Вызови
flash_attn_func(q, k, v, causal=True)вместо обычного внимания; для Hopper и Blackwell естьpip install flash-attn-4.
Шаги взяты из README. Перед запуском сверься с актуальной версией в репозитории.
Звёзды за последние 30 дней
+2696 сент. — 5 окт.
Описание автора
Fast and memory-efficient exact attention
Ещё в категории «Открытые модели и инференс»
Главная библиотека для работы с моделями: единый код для текста, зрения, звука и мультимодальных задач, и для запуска, и для обучения. Через неё выходит большинство новых открытых моделей.
Свой чат-интерфейс в стиле ChatGPT, который подключается к Ollama и любым API, совместимым с OpenAI. Ставится одной командой Docker и работает на твоём сервере.
Движок на C/C++, который запускает языковые модели на обычном железе: ноутбуках, телефонах, серверах без видеокарты. На нём держится большая часть локального AI, включая Ollama.
Репозиторий большой открытой модели DeepSeek-V3 со смесью экспертов: описание, результаты тестов и инструкции запуска. Показал, что открытая модель может идти вровень с закрытыми.
Основа большинства современных нейросетей: тензоры с ускорением на GPU и автоматическое дифференцирование, с обычным питоновским кодом внутри. На нём написаны Transformers, Llama и почти все открытые модели.