收集和整理与AI学习相关的资源，包括但不限于教程、代码示例、论文、书籍推荐等。无论你是AI领域的新手还是有一定经验的开发者，都希望这个仓库能对你有所帮助。
| 模型 | 链接 | 说明 | 推荐星级 |
|---|---|---|---|
| LLaMA2 | LLaMA2 | Meta推出的开源大语言模型，适用于研究与应用。 | ⭐⭐⭐⭐ |
| GPT-J | GPT-J | EleutherAI开发的开源大语言模型，性能接近GPT-3。 | ⭐⭐⭐⭐ |
| Alpaca | Alpaca | 基于LLaMA的指令调优模型，适用于交互式应用。 | ⭐⭐⭐⭐ |
| OpenAssistant | OpenAssistant | LAION开发的开源助手模型，注重对话能力。 | ⭐⭐⭐⭐ |
| Vicuna | Vicuna | 基于LLaMA的对话优化模型，适用于交互式应用。 | ⭐⭐⭐⭐ |
| GPT-NeoX | GPT-NeoX | EleutherAI开发的开源大语言模型，支持大规模训练。 | ⭐⭐⭐⭐ |
| DeepSeek-V3 | DeepSeek-V3 | 深度求索开源的对话模型，支持长上下文，中文任务优化明显 | ⭐⭐⭐⭐ |
| DeepSeek-MoE | DeepSeek-MoE | 基于混合专家架构的高效稀疏模型，推理成本低 | ⭐⭐⭐⭐ |
| Qwen | Qwen | 阿里开源的通义千问大模型 | ⭐⭐⭐⭐ |
| 产品名称 | 标签 | 网址 | 介绍 |
|---|---|---|---|
| DeepSeek | 【对话类】 | Link | 深度求索推出的对话AI，擅长长文本理解与代码生成，适合开发者和企业级部署。 |
| ChatGPT | 【对话类】 | Link | OpenAI开发的通用对话模型。 |
| Bard | 【对话类】 | Link | Google基于Gemini的多模态模型。 |
| 文心一言 | 【对话类】 | Link | 百度开发的多模态大模型。 |
| 通义千问 | 【对话类】 | Link | 阿里云推出的行业大模型。 |
| 讯飞星火 | 【对话类】 | Link | 科大讯飞打造的语音交互专家。 |
| 智谱清言 | 【对话类】 | Link | 基于清华ChatGLM模型的智能工具。 |
| AI文本人性化 | 【对话类】、【辅助类】 | Link | 专注于AI内容去机械化，将ChatGPT生成文本转化为自然口语化表达，适合自媒体与广告文案优化。 |
| 腾讯元器 | 【智能体开发】 | Link | 腾讯的智能体开发平台，零代码创建行业AI助手。 |
| Napkin | 【文生图】 | Link | AI驱动的文生图工具。 |
更多请到【Product】栏目查看
| 教程 | 链接 | 说明 | 推荐星级 |
|---|---|---|---|
| 面向初学者的人工智能课程 | Link | 微软推出的面向初学者的人工智能课程 | ⭐⭐⭐ |
| LLMCookbook | LLMCookbook | 面向开发者的大模型系列教程，涵盖API使用与应用开发。 | ⭐⭐⭐⭐ |
| Hugging Face 教程 | Hugging Face | 提供丰富的NLP模型使用与训练教程。 | ⭐⭐⭐ |
| Stanford CS224n | CS224n | 斯坦福大学的自然语言处理课程，涵盖最新研究进展。 | ⭐⭐⭐⭐ |
| PyTorch 官方教程 | PyTorch Tutorials | 官方提供的PyTorch使用与深度学习教程。 | ⭐⭐⭐ |
更多请到【Tutorial】栏目查看
| 资料名称 | 链接 | 说明 | 推荐星级 |
|---|---|---|---|
| TensorFlow | TensorFlow | Google开发的开源深度学习框架，支持多种平台。 | ⭐⭐⭐⭐ |
| PyTorch | PyTorch | Facebook开发的深度学习框架，灵活性高，适合研究。 | ⭐⭐⭐⭐ |
| Hugging Face Transformers | Transformers | 提供丰富的预训练模型与工具，便于NLP任务开发。 | ⭐⭐⭐⭐ |
| OpenCV | OpenCV | 计算机视觉库，提供丰富的图像处理功能。 | ⭐⭐⭐ |
更多请到【Tools】栏目查看
| 资料名称 | 链接 | 说明 | 推荐星级 |
|---|---|---|---|
| 2024年值得注意的人工智能研究论文（一） | Link | 2024年值得注意的人工智能研究论文（一） | ⭐⭐⭐ |
| Attention Is All You Need | Link | 提出Transformer模型，是现代大语言模型的基础。 | ⭐⭐⭐ |
| BERT: Pre-training of Deep Bidirectional Transformers | Link | 提出BERT模型，开启了预训练语言模型的新篇章。 | ⭐⭐⭐ |
| GPT-3: Language Models are Few-Shot Learners | Link | 描述GPT-3模型的架构与能力，展示其在多任务中的表现。 | ⭐⭐⭐ |
| Vision Transformer (ViT) | Link | 将Transformer架构应用于计算机视觉任务。 | ⭐⭐ |
| YOLOv4: Optimal Speed and Accuracy | Link | 提出YOLOv4模型，提升了目标检测的速度与准确性。 | ⭐⭐ |
| Reinforcement Learning with Unsupervised Auxiliary Tasks | Link | 探讨在强化学习中引入辅助任务以提升性能。 | ⭐⭐ |
| Self-Attention Generative Adversarial Networks (SAGAN) | Link | 在GAN中引入自注意力机制，提升生成效果。 | ⭐⭐ |
| CLIP: Learning Transferable Visual Models | Link | 结合图像与文本的对比学习模型，提升多模态理解能力。 | ⭐⭐⭐ |
| AlphaFold: Using AI for Scientific Discovery | Link | DeepMind开发的蛋白质结构预测模型，突破性成果。 | ⭐⭐⭐ |
| Sparse Transformer | Link | 提出稀疏注意力机制，提升Transformer的效率。 | ⭐⭐⭐ |
| T5: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer | Link | 提出T5模型，将所有NLP任务统一为文本到文本的框架。 | ⭐⭐⭐ |
| Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context | Link | 提出Transformer-XL，支持更长上下文的语言模型。 | ⭐⭐⭐ |
更多请到【Paper】栏目查看
| 教程 | Link | 说明 | 推荐星级 |
|---|---|---|---|
| 普通人如何使用 AI？ | Link | 介绍了 AI 的基本概念和功能，以及普通人如何在日常生活中使用 AI。 | ⭐⭐⭐ |
| AI 赋能，手把手教你第一次用 AI（保姆级教程） | Link | 提供了详细的 AI 使用教程，包括从零开始的指导。 | ⭐⭐⭐ |
| 高效使用 AI 的 21 种技巧攻略（全是干货建议收藏！） | Link | 分享了 21 种高效使用 AI 的技巧，内容实用。 | ⭐⭐⭐ |
| DeepSeek R1 本地安装部署（保姆级教程） | Link | 详细介绍了 DeepSeek R1 的本地部署方法，包括所需工具和步骤。 | ⭐⭐⭐ |
| DeepSeek 本地化部署（保姆喂饭级教程） | Link | 提供了 DeepSeek 的本地化部署教程，适合新手操作。 | ⭐⭐⭐ |
| 零基础 AI 入门指南 | Link | 针对零基础用户的 AI 入门指南，介绍了 AI 的工作原理和实践案例。 | ⭐⭐⭐ |
| 十分钟用 DeepSeek v3 快速搭建企业级本地私有知识库（保姆级教程） | Link | 教你如何使用 DeepSeek v3 快速搭建本地私有知识库。 | ⭐⭐⭐ |
| 新手如何入门 AI 教程 | Link | 为新手提供的 AI 入门教程，介绍了可视化 AI 工具的使用。 | ⭐⭐⭐ |
| 详细教程｜DeepSeek 本地部署教程+可视化页面，简单易懂，新手也能轻松完成！ | Link | 提供了 DeepSeek 本地部署的详细教程，并附有可视化页面。 | ⭐⭐⭐ |
| AI 教程入门：从零开始掌握人工智能基础 | Link | 从零开始的 AI 教程，涵盖人工智能的基础知识和应用。 | ⭐⭐⭐ |
| 如何把 DeepSeek 部署在你的电脑上（保姆级） | Link | 教你如何将 DeepSeek 部署在个人电脑上的详细教程。 | ⭐⭐⭐ |
| 大模型核心概念科普：Token、上下文长度、最大输出，一次讲透 | Link | 大模型核心概念科普。 | ⭐⭐⭐ |
更多请到【Blog】栏目查看
E-mail：[email protected]
WeChat: 扯编程的淡
