Awesome GitHub RepositoriesThird-Party Model Integration

CoAI is an enterprise-grade, self-hostable AI gateway platform that unifies access to over 200 AI models from more than 35 providers through a single OpenAI-compatible API endpoint. It functions as a multi-tenant gateway, routing requests across providers with load balancing, automatic failover, and priority-based routing, while exposing standard OpenAI API endpoints for chat, image generation, model listing, and billing to enable seamless integration with existing tools and clients. The platform distinguishes itself through a comprehensive set of operational capabilities built around the gat

Vespa is a distributed search engine, vector database, and machine learning ranking engine. It serves as an AI search platform designed to handle large-scale document indexing and complex query processing across a cluster of nodes, combining keyword retrieval with high-dimensional embedding storage for semantic similarity search. The platform distinguishes itself by integrating machine learning models directly into the search pipeline to perform real-time inference and ranking. It converts these models into ranking expressions to score and order results based on relevance, while providing a s

OpenCompass is an open-source framework for standardized benchmarking of large language models. It provides a configurable evaluation pipeline that supports both objective and subjective assessment, using a dual-engine architecture to handle closed-form answer comparison and open-ended response rating. The framework is designed as a modular platform where datasets, models, and metrics are composed through declarative YAML configuration files. The framework distinguishes itself through its extensible model integration layer, which supports custom models, HuggingFace models, and third-party API

I've made everythign less reliant on torch.compile for VRAM efficiency, so things should work better even without it. Also figured workaround for some issues when using compile that made first run use drastically more VRAM, issue I battled with myself a lot.

GluonTS est un framework pour la prévision probabiliste de séries temporelles, conçu pour prédire les valeurs futures sous forme de distributions de probabilité avec des intervalles de confiance. Il prend en charge à la fois l'entraînement de modèle traditionnel et la prévision zero-shot, où des modèles pré-entraînés génèrent des prédictions pour de nouvelles séries sans entraînement supplémentaire. Le projet se distingue en intégrant une grande variété d'approches de prévision dans un flux de travail unifié. Cela inclut des architectures de deep learning telles que les réseaux neuronaux récurrents et les convolutions causales, ainsi que l'intégration de modèles statistiques externes, la bibliothèque Prophet et les packages R. La boîte à outils fournit une surface complète pour l'ingénierie des données de séries temporelles, couvrant la mise à l'échelle des ensembles de données, la division et la transformation des données temporelles brutes en tenseurs. Elle inclut également une suite d'outils d'évaluation pour mesurer la précision des prévisions et les intervalles d'incertitude, ainsi que des utilitaires pour la persistance des ensembles de données utilisant des formats comme Arrow et Parquet. Le framework prend en charge le déploiement de modèles de prévision au sein de l'infrastructure cloud.

Geekai est une plateforme IA multi-modèles et un framework SaaS conçu pour déployer et gérer des agents IA et des modèles multimodaux via une interface unifiée. Il sert de passerelle IA multimodale, fournissant un accès centralisé aux grands modèles de langage et aux outils génératifs pour la production de texte, d'image, d'audio et de vidéo. Le projet fonctionne comme un orchestrateur d'agents IA, permettant la définition de personas spécialisés et l'importation de workflows externes et de bases de connaissances. Il se distingue en fournissant une couche de service commerciale complète, incluant la facturation basée sur des crédits, la gestion des abonnements et un écosystème de créateurs pour monétiser des applications IA personnalisées. La plateforme couvre de larges domaines de capacités incluant la génération de contenu IA pour des présentations et de la vidéo par transfert de mouvement, l'administration des opérations d'entreprise avec contrôle d'accès basé sur les rôles, et une abstraction de stockage basée sur des drivers pour gérer les assets à travers des fournisseurs locaux et cloud. Elle incorpore également l'analyse commerciale, la limitation de débit API et les migrations de base de données automatisées. Le système prend en charge le déploiement d'instances privées sur des serveurs auto-hébergés avec des paramètres HTTPS et SSL configurables.

Casibase is an open-source platform that orchestrates multi-turn conversations with large language models and manages retrieval-augmented knowledge bases from a single interface. It provides a unified system for connecting to over 30 AI model providers, ingesting documents into vector embeddings for semantic search, and running autonomous agent loops that can drive a browser, search the web, execute commands, and integrate with external tools. The platform distinguishes itself by combining AI conversation management with infrastructure and application orchestration capabilities. It includes a

FLAML est un framework d'apprentissage automatique automatisé, un outil d'optimisation d'hyperparamètres et un orchestrateur d'agents de grands modèles de langage. Il fournit un système pour la sélection et le réglage des modèles à travers divers apprenants et jeux de données, tout en offrant une boîte à outils pour optimiser les paramètres d'inférence et les paramètres de réglage fin des grands modèles de langage. Le projet dispose d'un système de réglage par méta-apprentissage qui analyse les données de tâches historiques pour générer des configurations par défaut dépendantes des données, accélérant la convergence du modèle. Il permet en outre la conception de systèmes multi-agents collaboratifs via des flux de travail conversationnels et une orchestration pilotée par événements. Les capacités couvrent la recherche d'hyperparamètres efficace en ressources pour les modèles d'apprentissage automatique et les fonctions Python arbitraires, prenant en charge les espaces de recherche hiérarchiques et l'optimisation objective lexicographique. Le framework inclut également des utilitaires pour la sélection automatique de modèles, la construction d'ensembles empilés, la configuration zero-shot et l'application de contraintes d'équité. Le système prend en charge la mise à l'échelle du réglage distribué et l'exécution simultanée d'essais à travers des clusters de calcul pour réduire la durée totale de recherche.

nofwl est un client de bureau multiplateforme pour interagir avec de grands modèles de langage. Il sert d'interface utilisateur graphique qui se connecte à des services d'intelligence artificielle externes en utilisant des clés API personnelles. L'application offre une expérience localisée avec la prise en charge de plusieurs langues système et des thèmes visuels personnalisables, incluant des schémas clairs, sombres et synchronisés avec le système. Il fonctionne sous Windows, macOS et Linux. Le client gère l'historique des conversations et la configuration utilisateur via un stockage de données local-first, persistant les messages de chat sous forme de fichiers texte structurés sur l'appareil de l'utilisateur. Il inclut également des utilitaires pour copier le texte de la conversation et inspecter les données brutes des messages.

This repository is a collection of node-based pipeline configurations, examples, and templates for generating AI media. It provides a workflow library and a curated gallery of blueprints designed for creating images, videos, and 3D assets using diffusion models. The project specifically offers a set of pre-configured node graphs for implementing advanced image generation and refinement techniques, with a focus on Stable Diffusion workflows. These examples demonstrate how to interconnect processing nodes to define complex generative logic without writing code. The available templates cover a

Map-anything is a 3D scene reconstruction framework and neural geometry estimator designed to transform two-dimensional images into metric three-dimensional spatial representations using feed-forward neural networks. It provides a specialized toolkit for predicting camera intrinsics and ray directions from single images without requiring external geometric metadata. The project includes a 3D model benchmarking suite that utilizes a unified model wrapper to standardize outputs from diverse reconstruction models. This allows for consistent evaluation and accuracy measurement across various spat

Ce projet fournit un guide et un framework complets pour implémenter des assistants de codage IA autonomes au sein d'environnements de développement locaux. Il se concentre sur l'orchestration d'équipes multi-agents capables de planifier, exécuter et vérifier des tâches d'ingénierie logicielle complexes, telles que le refactoring, la résolution de bugs et la génération de tests, tout en maintenant une conscience profonde du contexte et de la mémoire spécifiques au projet. Le système se distingue par une architecture robuste axée sur la sécurité qui impose des contrôles d'accès granulaires, l'isolation de l'exécution et des approbations humaines obligatoires (human-in-the-loop) pour toutes les modifications de fichiers et les appels d'outils externes. Il prend en charge une automatisation sophistiquée des flux de travail en permettant aux développeurs de définir des compétences personnalisées réutilisables et des instructions hiérarchiques qui persistent à travers les sessions, garantissant un comportement cohérent et une rétention des connaissances tout au long du cycle de vie du développement logiciel. Au-delà de l'automatisation de base, la plateforme offre des outils d'observabilité et de gestion étendus, incluant le suivi de l'utilisation des jetons en temps réel, la visualisation interactive des diffs de code et la surveillance des sessions en arrière-plan. Elle s'intègre directement dans les flux de travail basés sur le terminal et prend en charge divers fournisseurs d'intelligence artificielle, permettant aux utilisateurs d'optimiser les performances et les coûts opérationnels via la sélection de modèles et des ajustements de raisonnement spécifiques aux tâches. Le dépôt sert à la fois de ressource éducative pour maîtriser le développement intégré à l'IA et de boîte à outils fonctionnelle pour déployer des agents autonomes qui opèrent au sein de frontières de sécurité définies.