🚀 Автономные исследования ИИ с autoresearch

Этот репозиторий предлагает концепцию автономного обучения ИИ, где агент сам модифицирует код и проводит эксперименты. С помощью простого интерфейса program.md пользователи могут настраивать агента для оптимизации моделей, не вмешиваясь в код напрямую. Идея заключается в том, чтобы дать агенту 5 минут на обучение, после чего он оценивает результаты и продолжает итерации.

🚀 Основные моменты:
- Автономный агент модифицирует train.py для оптимизации модели.
- Обучение проходит в фиксированное время — 5 минут.
- Легкий интерфейс для настройки через program.md.
- Поддержка только одного NVIDIA GPU.

📌 GitHub: https://github.com/karpathy/autoresearch

#python

🚀 Автоматизация оптимизации GPU-ядра с AutoKernel

AutoKernel - это инструмент для автономной оптимизации GPU-ядр на основе моделей PyTorch. Он профилирует модели, выявляет узкие места и автоматически генерирует оптимизированные ядра Triton или CUDA C++. Пользователь может просто запустить процесс и проснуться с готовыми улучшениями.

🚀 Основные моменты:
- Автономное извлечение и оптимизация GPU-ядр.
- Поддержка различных моделей PyTorch.
- Интеграция с KernelBench для глубокого тестирования.
- Высокая скорость экспериментов — до 320 за ночь.
- Проверка корректности и производительности на каждом этапе.

📌 GitHub: https://github.com/RightNow-AI/autokernel

#python

🚀 Умные агенты с OpenSpace: эволюция и экономия 💰

OpenSpace — это движок, который позволяет AI-агентам учиться и развиваться, превращая каждую задачу в возможность для улучшения. Он объединяет навыки, которые автоматически адаптируются и улучшаются, обеспечивая совместное использование знаний между агентами.

🚀 Основные моменты:
- Саморазвивающиеся навыки, которые учатся на реальном опыте
- Совместный интеллект: улучшения одного агента доступны всем
- Снижение затрат на 46% благодаря более эффективному использованию токенов
- Легкость в обмене навыками между агентами
- Реальные результаты: агенты зарабатывают в 4.2 раза больше

📌 GitHub: https://github.com/HKUDS/OpenSpace

#python

🧩 Meta-Harness: Оптимизация моделей для конкретных задач

Meta-Harness — это фреймворк для автоматизированного поиска по моделям, который управляет хранением и отображением данных во время работы модели. Репозиторий включает в себя сам фреймворк и два примера из статьи.

🚀Основные моменты:
- Удобный фреймворк для применения к новым доменам.
- Два примера: текстовая классификация и Terminal-Bench 2.
- Оптимизация работы моделей с помощью адаптивных решений.

📌 GitHub: https://github.com/stanford-iris-lab/meta-harness

#python

🚀 Оптимизированные GPU ядра для LLM

TileKernels предлагает высокопроизводительные GPU ядра, разработанные с использованием TileLang. Проект фокусируется на эффективных операциях для больших языковых моделей, включая маршрутизацию экспертов и квантование, что позволяет достигать максимальной производительности оборудования.

🚀 Основные моменты:
- Высокая производительность для операций LLM
- Поддержка маршрутизации Mixture of Experts
- Квантование с различными форматами
- Удобные высокоуровневые обертки для PyTorch
- Активное улучшение качества кода и документации

📌 GitHub: https://github.com/deepseek-ai/TileKernels

#python

🎨 GPT Image 2 Skill Gallery 🚀

Этот репозиторий предлагает галерею прометав для генерации изображений с использованием GPT Image 2. Он включает в себя библиотеку изображений и примеры для создания различных визуальных материалов, таких как постеры, макеты и графика для игр. Идеально подходит для исследовательских проектов и креативных задач.

🚀Основные моменты:
- 162 готовые подсказки для генерации изображений
- Поддержка различных агентских сред, включая Codex и Claude Code
- Примеры для редактирования изображений и создания уникальных визуалов
- Лицензия CC BY 4.0

📌 GitHub: https://github.com/wuyoscar/gpt_image_2_skill

#python

🤖 Оптимизация работы с Claude Code через DeepSeek

Deepclaude позволяет использовать Claude Code с более дешевым и эффективным бэкендом DeepSeek V4 Pro, сохраняя привычный интерфейс. Это решение значительно снижает затраты на кодирование, обеспечивая поддержку автономных циклов и многошаговых операций.

🚀 Основные моменты:
- Сравнительно низкая стоимость: $0.87/M токен.
- Поддержка чтения, редактирования файлов и выполнения команд.
- Возможность переключения между бэкендами без перезапуска.
- Высокая производительность с автоматическим кэшированием контекста.

📌 GitHub: https://github.com/aattaran/deepclaude

#python