slime-rl-training
连接Megatron-LM与SGLang的RL后训练框架，适配GLM系列模型的高吞吐生成。
▸ 推荐理由适合依赖Megatron生态做高吞吐rollout与RL扩展的研究团队。
▸ 风险提示依赖特定开源组件与复杂并行配置，复现门槛高。
全部收录
相关性达标的全量 Skills（含未精选长尾）· 共 8087 个
simpo-training
无参考模型的偏好优化方法，作为DPO的高效替代用于对齐训练。
▸ 推荐理由训练流程更简单且更高效，适合想快速做偏好对齐的团队。
▸ 风险提示需训练数据与GPU，性能提升声明需在自己数据上验证。
openrlhf-training
基于Ray和vLLM的高性能分布式RLHF训练框架，支持PPO/GRPO/DPO等。
▸ 推荐理由适合大模型的分布式RLHF训练与GPU资源共享场景。
▸ 风险提示通常需Docker、NVIDIA GPU与复杂集群配置才可运行。
miles-rl-training
面向大规模MoE模型与低精度训练（FP8/INT4）的企业级RL训练指南。
▸ 推荐理由对追求高吞吐与训练-推理一致性的工程团队更有价值。
▸ 风险提示依赖特定硬件与私有分支，部署与复现较为复杂。
grpo-rl-training
使用TRL实现GRPO策略优化的实战级训练与调参指南。
▸ 推荐理由为自定义奖励与高质量策略优化提供实用示例与经验。
▸ 风险提示需大量GPU与实验性代码，复现成本和调参负担较高。
ray-data
面向ML的可扩展分布式数据处理框架，支持Parquet、流式与多模态数据。
▸ 推荐理由适合大规模预处理与批量推理的集群级数据流水线构建。
▸ 风险提示集群部署与资源管理复杂，需较多运维与配置。
nemo-curator
基于GPU的多模态训练数据治理与过滤，支持模糊/语义去重和PII/NSFW检测。
▸ 推荐理由大规模爬取数据快速清洗与高质量构建训练集的利器。
▸ 风险提示依赖NVIDIA GPU与专有库，安装与运行需高权限和显卡支持。
transformer-lens-interpretability
使用 TransformerLens 检查并操作 Transformer 内部激活与注意力以做可解释性研究。
▸ 推荐理由社区事实标准，接口清晰，适合深入机制逆向与实验复现。
sparse-autoencoder-training
使用 SAELens 训练与分析稀疏自编码器以发现可解释神经特征。
▸ 推荐理由适合研究超位置现象与单语义表示的可解释性工作。
pyvene-interventions
用 pyvene 的声明式框架对 PyTorch 模型执行因果干预与激活补丁实验。
▸ 推荐理由方便做可复现的因果追踪与干预实验，适合研究者共享流程。
nnsight-remote-interpretability
用 nnsight 在本地或通过 NDIF 远程运行对 PyTorch 模型做可解释性分析。
▸ 推荐理由支持同一套代码在本地与远程大模型上复现实验，便于规模扩展。
▸ 风险提示远程执行会传输模型与数据，存在隐私与凭据泄露风险。
unsloth
提供 Unsloth 的快速微调与显存/速度优化方案与实践。
▸ 推荐理由针对训练速度与显存瓶颈有实测加速与优化技巧。
▸ 风险提示依赖底层优化与特定库版本，可能与部分硬件不兼容。
peft-fine-tuning
用 PEFT/LoRA 等方法对大模型进行参数高效微调的实践与示例。
▸ 推荐理由能在有限显存下训练并显著降低训练开销，适合实务微调。
▸ 风险提示需 PyTorch/HuggingFace 环境与显卡，且会下载大模型权重。
llama-factory
面向 LLaMA-Factory 的无代码 WebUI 微调与模型管理指导。
▸ 推荐理由适合非工程师通过界面快速运行 QLoRA 与模型调优。
▸ 风险提示可能自动下载第三方模型与依赖，注意授权与磁盘占用。
axolotl
提供 Axolotl 的微调流程、YAML 配置与方法（LoRA/QLoRA 等）。
▸ 推荐理由覆盖丰富方法与模型，适合做生产级微调方案参考。
▸ 风险提示安装/运行会下载外部预训练模型并需大量 GPU/磁盘资源。
sentencepiece
语言无关的分词器，直接在原始 Unicode 文本上训练 BPE 或 Unigram 词表。
▸ 推荐理由适用于多语种与 CJK 场景，保证确定性与轻量部署。
huggingface-tokenizers
Rust 实现的高性能分词器，支持 BPE/WordPiece/Unigram 与自训练词表。
▸ 推荐理由性能与可定制性兼备，适合从研究到生产的分词需求与代理文本处理。
distributed-llm-pretraining-torchtitan
提供基于 PyTorch 的 4D 并行分布式 LLM 预训练平台（TorchTitan）。
▸ 推荐理由面向有大规模 GPU 集群与预训练需求的团队，提升训练可扩展性与性能。
▸ 风险提示依赖大量 GPU/集群资源，部署与权限复杂，应有运维保障。
nanogpt
约 300 行简洁实现的 GPT 教学代码，便于学习与实验复现。
▸ 推荐理由对想从零理解 Transformer/GPT 细节的开发者与学生非常友好。
autoresearch
以两环（实验-综合）架构自动编排完整的 AI 研究生命周期。
▸ 推荐理由适合需要端到端研究编排与实验迭代的团队与代理，强调结果驱动的闭环优化。
▸ 风险提示可能会执行外部代码或访问网络，需注意权限与环境隔离。
java-backend-interview
按中大型互联网公司风格模拟 Java 后端技术面试并提供评分与反馈。
▸ 推荐理由支持多种候选者身份与面试官风格，考察与反馈具体且实用。
generative-ui
提供 Claude show_widget 的完整设计系统与生成可视化组件的指南。
▸ 推荐理由对需在 Claude 中产出高质量交互/可视化输出的开发者特别有用。
startup-analysis
从投资人、求职者与创始人三种视角对初创公司进行多维度分析。
▸ 推荐理由多视角框架能快速生成投资与入职决策要点，适合创业/投资场景。
yc-reader
从 yc-oss API 拉取 Y Combinator 公司与批次的公开数据用于研究。
▸ 推荐理由提供结构化的 YC 公司索引，便于快速检索与批量分析创业公司信息。
twitter-reader
通过 opencli 只读访问 Twitter/X，用于抓取推文、搜索与舆情分析。
▸ 推荐理由便于把 Twitter 流量作为只读市场情报来源嵌入分析流程。
▸ 风险提示依赖浏览器会话重用或登录 Cookie，涉及隐私与会话凭证管理。
telegram-reader
使用 tdl 读取 Telegram 频道/群组的金融新闻与消息导出（只读）。
▸ 推荐理由适合做金融舆情与频道历史抓取的只读数据源。
▸ 风险提示运行依赖第三方 tdl 并需登录 Telegram，会使用外部网络与账号凭证。
opencli-reader
opencli 的通用只读适配器，覆盖 90+ 站点的数据抓取
▸ 推荐理由无专用阅读器时可作为快速通用抓取方案
▸ 风险提示需要浏览器会话并访问外部站点，可能涉及隐私或服务限制
linkedin-reader
用 opencli 只读抓取 LinkedIn 内容供金融与职业研究
▸ 推荐理由适合搜集专业观点与招聘信息，注意隐私合规
▸ 风险提示需要浏览器会话与外部登录，可能暴露账户或私人数据
discord-reader
使用 opencli 只读方式抓取 Discord 频道与消息用于研究
▸ 推荐理由便于监测社区讨论与市场情绪，但需合规使用
▸ 风险提示需要浏览器会话与外部登录，可能暴露账户或私人数据
skill-creator
创建、评估并迭代 agent skills 的全流程工具
▸ 推荐理由适合团队规范化产出与持续提升技能质量
yfinance-data
通过 yfinance 获取股票历史数据、财报与期权链
▸ 推荐理由快速接入海量免费市场数据，适合分析与回测
▸ 风险提示依赖第三方库和网络访问，需注意数据准确性与外部权限
stock-liquidity
评估股票流动性、买卖差价及市场冲击成本
▸ 推荐理由帮助交易者估算真实成交成本与滑点风险
stock-correlation
基于历史价格数据找出相关股票和交易配对
▸ 推荐理由快速定位行业同类与交易对，便于对冲与研究
sepa-strategy
基于Mark Minervini的SEPA方法分析成长股入场与风控
▸ 推荐理由适合量化与手动交易者寻找高概率买点
saas-valuation-compression
分析 SaaS 公司在各轮融资间基于 ARR 的估值倍数压缩或扩张原因。
▸ 推荐理由适合做创业/投资比较，解释估值变化的微观与宏观驱动因素。
options-payoff
生成交互式期权到期/理论价格收益曲线并可调整参数实时查看。
▸ 推荐理由能直观展示复杂期权策略的盈亏特性，交易决策利器。
etf-premium
计算 ETF 市场价与 NAV 的溢价/折价并分解单日差异成因。
▸ 推荐理由对交易者或 ETF 研究员解释价格偏离来源有很高价值。
estimate-analysis
深入分析分析师 EPS/营收预测及修订趋势并量化分布与动量。
▸ 推荐理由帮助投资者把握预期变化信号与街头情绪转折点。
earnings-recap
使用 Yahoo Finance 数据生成财报后的结果分析、惊喜与股价反应总结。
▸ 推荐理由方便快速复盘公司业绩与市场反应，节省手动对比数据时间。
earnings-preview
基于 Yahoo Finance 数据生成股票财报前的简报，包含预期、历史表现与分析要点。
▸ 推荐理由快速整理做会议或电话前需知的关键估计与背景信息。