5 रिपॉजिटरी
Awesome GitHub RepositoriesIn-Context Learning Engines
Capabilities for performing inference using prompts and examples without parameter updates.
Distinct from Multi-Task Learning Models: Distinct from Multi-Task Learning Models: focuses on zero-shot or few-shot inference via prompting rather than multi-task training.
Explore 5 awesome GitHub repositories matching artificial intelligence & ml · In-Context Learning Engines. Refine with filters or upvote what's useful.
Awesome In-Context Learning Engines GitHub Repositories
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- d2l-ai/d2l-en
d2l-ai/d2l-en
29,001GitHub पर देखेंThis project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex
Enables task execution by conditioning model output on prompts and examples without requiring parameter updates.
Pythonbookcomputer-visiondata-science - priorlabs/tabpfn
PriorLabs/TabPFN
7,408GitHub पर देखेंPerforms inference by processing training examples as context within the transformer's attention window.
Pythondata-sciencefoundation-modelsmachine-learning - mlfoundations/open_flamingo
mlfoundations/open_flamingo
4,107GitHub पर देखेंOpen Flamingo एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल ट्रेनिंग फ्रेमवर्क है जिसे प्रीट्रेन्ड विजन एनकोडर को लैंग्वेज मॉडल्स के साथ एकीकृत करने के लिए डिज़ाइन किया गया है। यह एक विजन-लैंग्वेज आर्किटेक्चर को लागू करता है जो छवियों और टेक्स्ट के इंटरलीव्ड अनुक्रमों को प्रोसेस करने के लिए क्रॉस-अटेंशन लेयर्स का उपयोग करता है। सिस्टम अपनी फ्यू-शॉट मल्टीमॉडल लर्निंग क्षमताओं द्वारा विशेषता है, जो मॉडल को प्रॉम्प्ट में प्रदान किए गए इमेज-टेक्स्ट उदाहरणों के एक छोटे सेट का उपयोग करके नए विज़ुअल कार्यों के अनुकूल होने की अनुमति देता है। यह विज़ुअल क्वेश्चन आंसरिंग और कैप्शनिंग जैसे कार्यों के लिए इन-कॉन्टेक्स्ट लर्निंग और मल्टीमॉडल टेक्स्ट जनरेशन का समर्थन करता है। फ्रेमवर्क में एक डिस्ट्रीब्यूटेड मॉडल ट्रेनर शामिल है जो कई GPU में मेमोरी ऑप्टिमाइज़ेशन के लिए डेटा पैरेललिज़्म और ग्रेडिएंट चेकपॉइंटिंग का उपयोग करता है। यह शार्ड मल्टीमॉडल डेटासेट लोडिंग, पैरेललाइज़्ड मॉडल मूल्यांकन, और इन्फरेंस के लिए बड़े पैमाने पर मॉडल्स को होस्ट करने के लिए इंफ्रास्ट्रक्चर भी प्रदान करता है।
Performs new tasks by providing few-shot examples of image-text pairs without modifying underlying model parameters.
Pythoncomputer-visiondeep-learningflamingo - defog-ai/sqlcoder
defog-ai/sqlcoder
4,035GitHub पर देखेंSqlcoder एक टेक्स्ट-टू-SQL लार्ज लैंग्वेज मॉडल है जो प्राकृतिक भाषा के प्रश्नों को स्ट्रक्चर्ड, निष्पादन योग्य डेटाबेस क्वेरीज़ में बदलने में माहिर है। यह एक डेटाबेस इंटरफेस और क्वेरी जनरेटर के रूप में कार्य करता है जो मैन्युअल कोड की आवश्यकता के बिना डेटा पुनर्प्राप्ति (data retrieval) की अनुमति देता है। यह सिस्टम स्कीमा-अवेयर प्रॉम्प्टिंग और डायनेमिक कॉन्टेक्स्ट इंजेक्शन के साथ संयुक्त एक इंस्ट्रक्शन-ट्यून्ड मॉडल का उपयोग करता है। डेटाबेस मेटाडेटा को इनजेस्ट करके और उदाहरण क्वेरी पेयर्स के साथ इन-कॉन्टेक्स्ट लर्निंग का उपयोग करके, यह सिंटैक्टिक रूप से वैध क्वेरीज़ जनरेट करता है जो कनेक्टेड डेटाबेस के विशिष्ट स्कीमा से मेल खाते हैं। यह प्रोजेक्ट बिजनेस इंटेलिजेंस ऑटोमेशन और सेल्फ-सर्विस डेटा एनालिटिक्स सहित क्षमताओं की एक व्यापक श्रृंखला को कवर करता है। यह डेटाबेस कनेक्शन मैनेजमेंट के लिए इंफ्रास्ट्रक्चर और क्वेरी निष्पादन व मेटाडेटा इनजेशन के लिए एक विज़ुअल इंटरफेस प्रदान करता है।
Uses few-shot prompting with example query pairs to guide the model toward correct SQL dialects.
Jupyter Notebook - evolvinglmms-lab/otter
EvolvingLMMs-Lab/Otter
3,331GitHub पर देखेंOtter is a framework and toolkit for the pretraining, fine-tuning, and evaluation of vision-language models. It provides a pipeline for training large language models to process high-resolution images and video frames, integrating visual encoders with textual token spaces. The system is designed for multi-visual input processing, allowing models to interpret multiple images or video sequences within a single prompt. It supports multi-round conversation management to maintain context across interactions for detailed scene comprehension and visual reasoning. The framework covers a full develop
Implements few-shot demonstration pairs within prompts to guide model output formats without updating parameters.
Pythonartificial-inteligencechatgptdeep-learning
