add tables
This commit is contained in:
yzfly
244
README.md
244
README.md
@ -82,10 +82,6 @@ ChatGPT 中文指南项目旨在帮助中文用户了解和使用ChatGPT。我
|
||||
- [LLMs 驱动的操作系统的 Shell: engshell](#llms-驱动的操作系统的-shell-engshell)
|
||||
- [使用 LLMs 通过自然语言生成任意函数：AI Functions](#使用-llms-通过自然语言生成任意函数ai-functions)
|
||||
- [向量数据库](#向量数据库)
|
||||
- [嵌入式数据库：chroma](#嵌入式数据库chroma)
|
||||
- [向量数据库：weaviate](#向量数据库weaviate)
|
||||
- [PineCone](#pinecone)
|
||||
- [Milvus](#milvus)
|
||||
- [ChatGPT 浏览器插件和小程序](#chatgpt-浏览器插件和小程序)
|
||||
- [ChatGPT 插件功能](#chatgpt-插件功能)
|
||||
- [现有插件](#现有插件)
|
||||
@ -110,29 +106,11 @@ ChatGPT 中文指南项目旨在帮助中文用户了解和使用ChatGPT。我
|
||||
- [ChatGPT 越狱](#chatgpt-越狱)
|
||||
- [相关资料](#相关资料)
|
||||
- [类 ChatGPT 开源模型](#类-chatgpt-开源模型)
|
||||
- [开源LLMs 收集：🤖 LLMs: awesome-totally-open-chatgpt](#开源llms-收集-llms-awesome-totally-open-chatgpt)
|
||||
- [Awesome-LLM](#awesome-llm)
|
||||
- [能在本地运行的资源 LLMs 收集: awesome-decentralized-llm](#能在本地运行的资源-llms-收集-awesome-decentralized-llm)
|
||||
- [minGPT](#mingpt)
|
||||
- [OpenChatKit](#openchatkit)
|
||||
- [国产的支持中英双语的功能型对话语言大模型：ChatYuan](#国产的支持中英双语的功能型对话语言大模型chatyuan)
|
||||
- [gpt4all](#gpt4all)
|
||||
- [Stanford Alpaca](#stanford-alpaca)
|
||||
- [Alpaca-CoT](#alpaca-cot)
|
||||
- [大型多模态模型训练和评估开源框架：OpenFlamingo](#大型多模态模型训练和评估开源框架openflamingo)
|
||||
- [开源可商用 LLM：dolly](#开源可商用-llmdolly)
|
||||
- [中文LLaMA\&Alpaca大语言模型+本地部署: Chinese-LLaMA-Alpaca](#中文llamaalpaca大语言模型本地部署-chinese-llama-alpaca)
|
||||
- [Visual OpenLLM](#visual-openllm)
|
||||
- [高效微调一个聊天机器人：LLaMA-Adapter🚀](#高效微调一个聊天机器人llama-adapter)
|
||||
- [⚡ Lit-LLaMA](#-lit-llama)
|
||||
- [FastChat](#fastchat)
|
||||
- [在羊驼基础上改进的新的聊天机器人考拉:EasyLM](#在羊驼基础上改进的新的聊天机器人考拉easylm)
|
||||
- [实现在MacBook上运行模型: llama.cpp](#实现在macbook上运行模型-llamacpp)
|
||||
- [LMFlow](#lmflow)
|
||||
- [ChatGPT 控制所有AI模型: HuggingGPT](#chatgpt-控制所有ai模型-hugginggpt)
|
||||
- [开源可商用 LLM：dolly](#开源可商用-llmdolly)
|
||||
- [FreedomGPT](#freedomgpt)
|
||||
- [text-generation-webui](#text-generation-webui)
|
||||
- [Open-Assistant](#open-assistant)
|
||||
- [更多 AI 工具](#更多-ai-工具)
|
||||
- [AI 绘画](#ai-绘画)
|
||||
- [代码生成](#代码生成)
|
||||
@ -143,12 +121,8 @@ ChatGPT 中文指南项目旨在帮助中文用户了解和使用ChatGPT。我
|
||||
- [AGI](#agi)
|
||||
- [Awesome-AGI](#awesome-agi)
|
||||
- [Auto-GPT](#auto-gpt)
|
||||
- [AutoGPT 插件：Auto-GPT-Plugins](#autogpt-插件auto-gpt-plugins)
|
||||
- [AutoGPT 项目的图形界面：AutoGPT-GUI](#autogpt-项目的图形界面autogpt-gui)
|
||||
- [ChatGPT 控制所有AI模型: HuggingGPT](#chatgpt-控制所有ai模型-hugginggpt)
|
||||
- [babyagi](#babyagi)
|
||||
- [AgentGPT](#agentgpt)
|
||||
- [OpenAGI](#openagi)
|
||||
- [llm驱动的自动机器人平台: ai-legion](#llm驱动的自动机器人平台-ai-legion)
|
||||
- [思考](#思考)
|
||||
- [ChatGPT 之父 Sam Altman: 万物摩尔定律](#chatgpt-之父-sam-altman-万物摩尔定律)
|
||||
- [GPT-4 ，人类迈向AGI的第一步](#gpt-4-人类迈向agi的第一步)
|
||||
@ -652,49 +626,12 @@ def ai_function(function, args, description, model = "gpt-4"):
|
||||
|
||||
如果说 ChatGPT 是 LLM 的处理核心，prompts 是 code，那么向量数据库就是 LLM 需要的存储。
|
||||
|
||||
#### [嵌入式数据库：chroma](https://github.com/chroma-core/chroma)
|
||||
|
||||
Chroma 是一个用于 Python / JavaScript LLM 应用程序的嵌入式数据库，它具有内存快速访问的优势。它只有 4 个核心函数：
|
||||
|
||||
```
|
||||
import chromadb
|
||||
# setup Chroma in-memory, for easy prototyping. Can add persistence easily!
|
||||
client = chromadb.Client()
|
||||
|
||||
# Create collection. get_collection, get_or_create_collection, delete_collection also available!
|
||||
collection = client.create_collection("all-my-documents")
|
||||
|
||||
# Add docs to the collection. Can also update and delete. Row-based API coming soon!
|
||||
collection.add(
|
||||
documents=["This is document1", "This is document2"], # we handle tokenization, embedding, and indexing automatically. You can skip that and add your own embeddings as well
|
||||
metadatas=[{"source": "notion"}, {"source": "google-docs"}], # filter on these!
|
||||
ids=["doc1", "doc2"], # unique for each doc
|
||||
)
|
||||
|
||||
# Query/search 2 most similar results. You can also .get by id
|
||||
results = collection.query(
|
||||
query_texts=["This is a query document"],
|
||||
n_results=2,
|
||||
# where={"metadata_field": "is_equal_to_this"}, # optional filter
|
||||
# where_document={"$contains":"search_string"} # optional filter
|
||||
)
|
||||
```
|
||||
|
||||
|
||||
|
||||
#### [向量数据库：weaviate](https://github.com/weaviate/weaviate)
|
||||
|
||||
开源的向量数据库，可以存储对象和向量，允许将向量搜索与结构化过滤相结合，并具有云原生数据库的容错性和可扩展性，可通过 GraphQL、REST 和各种语言客户端进行访问。
|
||||
|
||||
#### [PineCone](https://www.pinecone.io/)
|
||||
|
||||
Pinecone为向量数据提供了数据存储解决方案。
|
||||
|
||||
#### [Milvus](https://milvus.io/)
|
||||
|
||||
Milvus 是一个开源矢量数据库，旨在为嵌入相似性搜索和 AI 应用程序提供支持。 除了向量，Milvus 还支持布尔型、整数、浮点数等数据类型。 Milvus 中的一个集合可以包含多个字段，用于容纳不同的数据特征或属性。 Milvus 将标量过滤与强大的向量相似性搜索相结合，为分析非结构化数据提供了一个现代、灵活的平台。 Milvus 使非结构化数据搜索更易于访问，并提供一致的用户体验，无论部署环境如何。 Milvus 2.0 是一个存储计算分离的云原生矢量数据库。 这个重构版本的 Milvus 中的所有组件都是无状态的，以增强弹性和灵活性。 更多架构细节，请参见 Milvus 架构概述。 Milvus 于 2019 年 10 月在开源 Apache License 2.0 下发布，目前是 LF AI & Data Foundation 的研究生项目。
|
||||
|
||||
目前提供多种部署方式，支持docker, k8s, embed-milvus(pip install嵌入安装)，同时也有[在线云服务](https://cloud.zilliz.com/)。
|
||||
|名称|Stars|简介| 备注 |
|
||||
-|-|-|-
|
||||
|[Milvus](https://github.com/milvus-io/milvus) ||Milvus 是一个开源矢量数据库，旨在为嵌入相似性搜索和 AI 应用程序提供支持。 除了向量，Milvus 还支持布尔型、整数、浮点数等数据类型。 Milvus 中的一个集合可以包含多个字段，用于容纳不同的数据特征或属性。 Milvus 将标量过滤与强大的向量相似性搜索相结合，为分析非结构化数据提供了一个现代、灵活的平台。|目前提供多种部署方式，支持docker, k8s, embed-milvus(pip install嵌入安装)，同时也有[在线云服务](https://cloud.zilliz.com/)。|
|
||||
|[chroma](https://github.com/chroma-core/chroma) ||Chroma 是一个用于 Python / JavaScript LLM 应用程序的嵌入式数据库，它具有内存快速访问的优势。|-|
|
||||
|[weaviate](https://github.com/weaviate/weaviate) ||开源的向量数据库，可以存储对象和向量，允许将向量搜索与结构化过滤相结合，并具有云原生数据库的容错性和可扩展性，可通过 GraphQL、REST 和各种语言客户端进行访问。|-|
|
||||
|[PineCone](https://www.pinecone.io/) |-|Pinecone为向量数据提供了数据存储解决方案。|-|
|
||||
|
||||
|
||||
### ChatGPT 浏览器插件和小程序
|
||||
@ -867,52 +804,34 @@ DAN越狱提示成功例图：
|
||||
|
||||
OpenAI 的 ChatGPT 大型语言模型（LLM）并未开源，这部分收录一些深度学习开源的 LLM 供感兴趣的同学学习参考。
|
||||
|
||||
### [开源LLMs 收集：🤖 LLMs: awesome-totally-open-chatgpt](https://github.com/nichtdax/awesome-totally-open-chatgpt)
|
||||
|名称|Stars|简介| 备注 |
|
||||
-|-|-|-
|
||||
|[🤖 LLMs: awesome-totally-open-chatgpt](https://github.com/nichtdax/awesome-totally-open-chatgpt) ||开源LLMs 收集。|-|
|
||||
|[Awesome-LLM](https://github.com/Hannibal046/Awesome-LLM) ||大型语言模型的论文列表，特别是与 ChatGPT相关的论文，还包含LLM培训框架、部署LLM的工具、关于LLM的课程和教程以及所有公开可用的LLM 权重和 API。|-|
|
||||
|[awesome-decentralized-llm](https://github.com/imaurer/awesome-decentralized-llm) ||能在本地运行的资源 LLMs。|-|
|
||||
|[minGPT](https://github.com/karpathy/minGPT) ||karpathy大神发布的一个 OpenAI GPT(生成预训练转换器)训练的最小 PyTorch 实现，代码十分简洁明了，适合用于动手学习 GPT 模型。|-|
|
||||
|[OpenChatKit](https://github.com/togethercomputer/OpenChatKit) ||开源了数据、模型和权重，以及提供训练，微调 LLMs 教程。|-|
|
||||
|[ChatYuan](https://github.com/clue-ai/ChatYuan) ||ChatYuan-large-v2是ChatYuan系列中以轻量化实现高质量效果的模型之一，用户可以在消费级显卡、 PC甚至手机上进行推理（INT4 最低只需 400M ）。|-|
|
||||
|[Stanford Alpaca](https://github.com/tatsu-lab/stanford_alpaca) ||来自斯坦福，建立并共享一个遵循指令的LLaMA模型。|-|
|
||||
|[gpt4all](https://github.com/nomic-ai/gpt4all) ||基于 LLaMa 的 LLM 助手，提供训练代码、数据和演示，训练一个自己的 AI 助手。|-|
|
||||
|[FreedomGPT](https://github.com/ohmplatform/FreedomGPT) ||自由无限制的可以在 windows 和 mac 上本地运行的 GPT，基于 Alpaca Lora 模型。|-|
|
||||
|[LMFlow](https://github.com/OptimalScale/LMFlow) ||共建大模型社区，让每个人都训得起大模型。|-|
|
||||
|[FastChat](https://github.com/lm-sys/FastChat) ||继草泥马（Alpaca）后，斯坦福联手CMU、UC伯克利等机构的学者再次发布了130亿参数模型骆马（Vicuna），仅需300美元就能实现ChatGPT 90%的性能。FastChat 是Vicuna 的GitHub 开源仓库。|-|
|
||||
|[Open-Assistant](https://github.com/LAION-AI/Open-Assistant)||知名 AI 机构 LAION-AI 开源的聊天助手，聊天能力很强，目前中文能力较差。|-|
|
||||
|[llama.cpp](https://github.com/ggerganov/llama.cpp)||实现在MacBook上运行模型。|-|
|
||||
|[EasyLM](https://github.com/young-geng/EasyLM#koala)||在羊驼基础上改进的新的聊天机器人考拉。|[介绍页](https://bair.berkeley.edu/blog/2023/04/03/koala/)|
|
||||
|[Alpaca-CoT](https://github.com/PhoebusSi/Alpaca-CoT/blob/main/CN_README.md)||Alpaca-CoT项目旨在探究如何更好地通过instruction-tuning的方式来诱导LLM具备类似ChatGPT的交互和instruction-following能力。|-|
|
||||
|[OpenFlamingo](https://github.com/mlfoundations/open_flamingo)||OpenFlamingo 是一个用于评估和训练大型多模态模型的开源框架，是 DeepMind Flamingo 模型的开源版本，也是 AI 世界关于大模型进展的一大步。|大型多模态模型训练和评估开源框架。|
|
||||
|[text-generation-webui](https://github.com/oobabooga/text-generation-webui)||一个用于运行大型语言模型(如LLaMA, LLaMA .cpp, GPT-J, Pythia, OPT和GALACTICA)的 web UI。|-|
|
||||
|
||||
### [Awesome-LLM](https://github.com/Hannibal046/Awesome-LLM)
|
||||
### [开源可商用 LLM：dolly](https://github.com/databrickslabs/dolly)
|
||||
|
||||
大型语言模型的论文列表，特别是与 ChatGPT相关的论文，还包含LLM培训框架、部署LLM的工具、关于LLM的课程和教程以及所有公开可用的LLM 权重和 api
|
||||
在 ChatGPT 的问题上 OpenAI 并不 Open， Meta 开源的羊驼系列模型也因为数据集等问题「仅限于学术研究类应用」。
|
||||
|
||||
Databricks 发布的 Dolly 2.0 大语言模型（LLM）的又一个新版本。
|
||||
|
||||
### [能在本地运行的资源 LLMs 收集: awesome-decentralized-llm](https://github.com/imaurer/awesome-decentralized-llm)
|
||||
Databricks 表示，Dolly 2.0 是业内第一个开源、遵循指令的 LLM，它在透明且免费提供的数据集上进行了微调，该数据集也是开源的，可用于商业目的。这意味着 Dolly 2.0 可用于构建商业应用程序，无需支付 API 访问费用或与第三方共享数据。
|
||||
|
||||
### [minGPT](https://github.com/karpathy/minGPT)
|
||||
|
||||
karpathy大神发布的一个 OpenAI GPT(生成预训练转换器)训练的最小 PyTorch 实现，代码十分简洁明了，适合用于动手学习 GPT 模型。
|
||||
|
||||
### [OpenChatKit](https://github.com/togethercomputer/OpenChatKit#pre-trained-weights)
|
||||
|
||||
GitHub:
|
||||
> https://github.com/togethercomputer/OpenChatKit#pre-trained-weights
|
||||
|
||||
开源了数据、模型和权重，以及提供训练，微调教程，下面是项目介绍
|
||||
|
||||
|
||||
|
||||
### [国产的支持中英双语的功能型对话语言大模型：ChatYuan](https://github.com/clue-ai/ChatYuan)
|
||||
|
||||
目前已经更新到 v2, ChatYuan-large-v2是一个支持中英双语的功能型对话语言大模型。ChatYuan-large-v2使用了和 v1版本相同的技术方案，在微调数据、人类反馈强化学习、思维链等方面进行了优化。
|
||||
|
||||
ChatYuan-large-v2是ChatYuan系列中以轻量化实现高质量效果的模型之一，用户可以在消费级显卡、 PC甚至手机上进行推理（INT4 最低只需 400M ）。
|
||||
|
||||
### [gpt4all](https://github.com/nomic-ai/gpt4all)
|
||||
|
||||
基于 LLaMa 的 LLM 助手，提供训练代码、数据和演示，训练一个自己的 AI 助手。
|
||||
|
||||
|
||||
|
||||
### [Stanford Alpaca](https://github.com/tatsu-lab/stanford_alpaca)
|
||||
|
||||
来自斯坦福，建立并共享一个遵循指令的LLaMA模型。
|
||||
|
||||
### [Alpaca-CoT](https://github.com/PhoebusSi/Alpaca-CoT/blob/main/CN_README.md)
|
||||
|
||||
Alpaca-CoT项目旨在探究如何更好地通过instruction-tuning的方式来诱导LLM具备类似ChatGPT的交互和instruction-following能力。为此，我们广泛收集了不同类型的instruction（尤其是Chain-of-Thought数据集），并基于LLaMA给出了深入细致的实证研究，以供未来工作参考。作者声称这是首个将CoT拓展进Alpaca的工作，因此简称为"Alpaca-CoT"。
|
||||
|
||||
|
||||
### [大型多模态模型训练和评估开源框架：OpenFlamingo](https://github.com/mlfoundations/open_flamingo)
|
||||
|
||||
OpenFlamingo 是一个用于评估和训练大型多模态模型的开源框架，是 DeepMind Flamingo 模型的开源版本，也是 AI 世界关于大模型进展的一大步。
|
||||
|
||||
### [中文LLaMA&Alpaca大语言模型+本地部署: Chinese-LLaMA-Alpaca](https://github.com/ymcui/Chinese-LLaMA-Alpaca)
|
||||
|
||||
@ -936,60 +855,6 @@ Lightning-AI 基于nanoGPT的LLaMA语言模型的实现。支持量化，LoRA微
|
||||
|
||||
|
||||
|
||||
### [FastChat](https://github.com/lm-sys/FastChat)
|
||||
|
||||
继草泥马（Alpaca）后，斯坦福联手CMU、UC伯克利等机构的学者再次发布了130亿参数模型骆马（Vicuna），仅需300美元就能实现ChatGPT 90%的性能。FastChat 是Vicuna 的GitHub 开源仓库。
|
||||
|
||||
### [在羊驼基础上改进的新的聊天机器人考拉:EasyLM](https://github.com/young-geng/EasyLM#koala)
|
||||
[介绍页](https://bair.berkeley.edu/blog/2023/04/03/koala/)
|
||||
|
||||
### [实现在MacBook上运行模型: llama.cpp](https://github.com/ggerganov/llama.cpp)
|
||||
|
||||
### [LMFlow](https://github.com/OptimalScale/LMFlow)
|
||||
|
||||
共建大模型社区，让每个人都训得起大模型。
|
||||
|
||||
### [ChatGPT 控制所有AI模型: HuggingGPT](https://arxiv.org/abs/2303.17580)
|
||||
|
||||
[GitHub](https://github.com/microsoft/JARVIS)
|
||||
|
||||
[Arxiv 论文]((https://arxiv.org/abs/2303.17580))
|
||||
|
||||
大语言模型LLM在语言理解、生成、交互和推理方面的表现，让人想到：
|
||||
|
||||
> 可以将它们作为中间控制器，来管理现有的所有AI模型，通过“调动和组合每个人的力量”，来解决复杂的AI任务。
|
||||
|
||||
在这个系统中，语言是通用的接口。
|
||||
|
||||
于是，HuggingGPT就诞生了。
|
||||
|
||||
它的工程流程分为四步：
|
||||
|
||||
* 首先，任务规划。ChatGPT将用户的需求解析为任务列表，并确定任务之间的执行顺序和资源依赖关系。
|
||||
|
||||
* 其次，模型选择。ChatGPT根据HuggingFace上托管的各专家模型的描述，为任务分配合适的模型。
|
||||
|
||||
* 接着，任务执行。混合端点（包括本地推理和HuggingFace推理）上被选定的专家模型根据任务顺序和依赖关系执行分配的任务，并将执行信息和结果给到ChatGPT。
|
||||
|
||||
* 最后，输出结果。由ChatGPT总结各模型的执行过程日志和推理结果，给出最终的输出。
|
||||
|
||||
### [开源可商用 LLM：dolly](https://github.com/databrickslabs/dolly)
|
||||
|
||||
在 ChatGPT 的问题上 OpenAI 并不 Open， Meta 开源的羊驼系列模型也因为数据集等问题「仅限于学术研究类应用」。
|
||||
|
||||
Databricks 发布的 Dolly 2.0 大语言模型（LLM）的又一个新版本。
|
||||
|
||||
Databricks 表示，Dolly 2.0 是业内第一个开源、遵循指令的 LLM，它在透明且免费提供的数据集上进行了微调，该数据集也是开源的，可用于商业目的。这意味着 Dolly 2.0 可用于构建商业应用程序，无需支付 API 访问费用或与第三方共享数据。
|
||||
|
||||
### [FreedomGPT](https://github.com/ohmplatform/FreedomGPT)
|
||||
|
||||
自由无限制的可以在 windows 和 mac 上本地运行的 GPT，基于 Alpaca Lora 模型。
|
||||
|
||||
### [text-generation-webui](https://github.com/oobabooga/text-generation-webui)
|
||||
一个用于运行大型语言模型(如LLaMA, LLaMA .cpp, GPT-J, Pythia, OPT和GALACTICA)的 web UI。
|
||||
|
||||
### [Open-Assistant](https://github.com/LAION-AI/Open-Assistant)
|
||||
知名 AI 机构 LAION-AI 开源的聊天助手，聊天能力很强，目前中文能力较差。
|
||||
|
||||
## 更多 AI 工具
|
||||
|
||||
@ -1052,9 +917,29 @@ AutoGPT 正在互联网上掀起一场风暴，它无处不在。很快，已经
|
||||
|
||||
[在线体验](https://www.cognosys.ai/) 目前免费
|
||||
|
||||
### [AutoGPT 插件：Auto-GPT-Plugins](https://github.com/Significant-Gravitas/Auto-GPT-Plugins)
|
||||
### [ChatGPT 控制所有AI模型: HuggingGPT](https://arxiv.org/abs/2303.17580)
|
||||
|
||||
### [AutoGPT 项目的图形界面：AutoGPT-GUI](https://github.com/thecookingsenpai/autogpt-gui)
|
||||
[GitHub](https://github.com/microsoft/JARVIS)
|
||||
|
||||
[Arxiv 论文]((https://arxiv.org/abs/2303.17580))
|
||||
|
||||
大语言模型LLM在语言理解、生成、交互和推理方面的表现，让人想到：
|
||||
|
||||
> 可以将它们作为中间控制器，来管理现有的所有AI模型，通过“调动和组合每个人的力量”，来解决复杂的AI任务。
|
||||
|
||||
在这个系统中，语言是通用的接口。
|
||||
|
||||
于是，HuggingGPT就诞生了。
|
||||
|
||||
它的工程流程分为四步：
|
||||
|
||||
* 首先，任务规划。ChatGPT将用户的需求解析为任务列表，并确定任务之间的执行顺序和资源依赖关系。
|
||||
|
||||
* 其次，模型选择。ChatGPT根据HuggingFace上托管的各专家模型的描述，为任务分配合适的模型。
|
||||
|
||||
* 接着，任务执行。混合端点（包括本地推理和HuggingFace推理）上被选定的专家模型根据任务顺序和依赖关系执行分配的任务，并将执行信息和结果给到ChatGPT。
|
||||
|
||||
* 最后，输出结果。由ChatGPT总结各模型的执行过程日志和推理结果，给出最终的输出。
|
||||
|
||||
### [babyagi](https://github.com/yoheinakajima/babyagi)
|
||||
|
||||
@ -1066,17 +951,18 @@ babyagi 是一个智能任务管理和解决工具，它结合了OpenAI GPT-4和
|
||||
|
||||
|
||||
|
||||
### [AgentGPT](https://github.com/reworkd/AgentGPT)
|
||||
|
||||
通过AgentGPT配置和部署“Autonomous AI agent”。命名你自己的自定义AI，让它开始任何你能想到的目标。它会通过思考要做的任务，执行它们，并从结果中学习来试图达到目标.
|
||||
|
||||
[在线体验](https://agentgpt.reworkd.ai/) 目前免费，可自备 key
|
||||
|
||||
### [OpenAGI](https://github.com/agiresearch/OpenAGI)
|
||||
|
||||
为了促进社区对AGI能力的长期改进和评估，OpenAgi项目开放代码，基准和评估方法。
|
||||
|
||||
### [llm驱动的自动机器人平台: ai-legion](https://github.com/eumemic/ai-legion)
|
||||
|Name|Stars|Introduction| Notes |
|
||||
-|-|-|-
|
||||
|[Auto-GPT](https://github.com/Significant-Gravitas/Auto-GPT) ||An experimental open-source attempt to make GPT-4 fully autonomous.|-|
|
||||
|[Auto-GPT-Plugins](https://github.com/Significant-Gravitas/Auto-GPT-Plugins) ||Plugins for Auto-GPT.|-|
|
||||
|[AutoGPT.js](https://github.com/zabirauf/AutoGPT.js)||Auto-GPT on the browser.|-|
|
||||
|[AutoGPT-GUI](https://github.com/thecookingsenpai/autogpt-gui)||A graphical user interface for AutoGPT.|AutoGPT 项目的图形界面|
|
||||
|[AgentGPT](https://github.com/reworkd/AgentGPT) ||Assemble, configure, and deploy autonomous AI Agents in your browser.|-|
|
||||
|[JARVIS](https://github.com/microsoft/JARVIS)||A system to connect LLMs with ML community.|-|
|
||||
|[babyagi](https://github.com/yoheinakajima/babyagi)||Use OpenAI and Pinecone APIs to create, prioritize, and execute tasks.|[中文博客-babyagi: 人工智能任务管理系统](https://juejin.cn/post/7218815501433946173)|
|
||||
|[OpenAGI](https://github.com/agiresearch/OpenAGI) ||When LLM (Large Language Models) Meets Domain Experts.|-|
|
||||
|[AI-legion](https://github.com/eumemic/ai-legion)||An LLM-powered autonomous agent platform.|-|
|
||||
|[MicroGPT](https://github.com/muellerberndt/micro-gpt)||A minimal generic autonomous agent based on GPT3.5/4. Can analyze stock prices, perform network security tests, create art, and order pizza.|-|
|
||||
|
||||
## 思考
|
||||
### ChatGPT 之父 Sam Altman: 万物摩尔定律
|
||||
|
||||
Reference in New Issue
Block a user