📱Oumi.

Oumi — это полностью open-source платформа, которая упрощает весь жизненный цикл state-of-the-art foundation-моделей: от подготовки данных и обучения до оценки и развертывания.

Не важно, работаете ли вы на ноутбуке, запускаете масштабные эксперименты в кластере или развертываете модели в продакшене — Oumi предоставляет все необходимые инструменты и рабочие процессы.

⭐С Oumi вы сможете:

🔘Обучать и дообучать модели от 10M до 405B параметров с использованием передовых техник (SFT, LoRA, QLoRA, DPO и др.).

🔘Работать с текстовыми и мультимодальными моделями (Llama, DeepSeek, Qwen, Phi и др.).

🔘Генерировать и отбирать обучающие данные с помощью LLM-судей.

🔘Эффективно развертывать модели с популярными движками для инференса (vLLM, SGLang).

🔘Проводить комплексную оценку моделей на стандартных бенчмарках.

🔘Запускать где угодно: на ноутбуках, кластерах и в облаках (AWS, Azure, GCP, Lambda и др.).

🔘Интегрироваться как с открытыми моделями, так и с коммерческими API (OpenAI, Anthropic, Vertex AI, Together, Parasail и др.).

✅Все это — с единым API, высокой надежностью на уровне продакшена и максимальной гибкостью для исследований.

#AI #Oumi #ML #DeepLearning #OpenSource #LLM #MLOps #AIPlatform

📱Ссылка на репозиторий:
https://github.com/oumi-ai/oumi

📱Agent Starter Pack.

Agent Starter Pack — это набор готовых шаблонов для разработки и деплоя генеративных ИИ-агентов в Google Cloud.

✅Он создан, чтобы ускорить запуск GenAI-решений и решить типовые задачи:
развёртывание, кастомизация, CI/CD, мониторинг и оценка.

🔹Особенности:

🔘Поддержка популярных архитектур: ReAct, RAG, multi-agent, multimodal.

🔘Быстрый старт в 1 команду.

🔘Интеграция с Vertex AI, Agent Engine, Cloud Run и другими сервисами.

🔘Поддержка пайплайнов CI/CD и Terraform-инфраструктуры.

🔘Примеры на базе LangGraph, CrewAI и Gemini.

💡Как начать за 1 минуту?

python -m venv .venv && source .venv/bin/activate
pip install agent-starter-pack
agent-starter-pack create my-awesome-agent

✅Готово! У вас будет полноценный проект — с фронтендом, бэкендом и инфраструктурой для деплоя.
Можно запустить в Cloud Shell или протестировать в Firebase Studio — без настройки окружения.

🔻Поддерживаемые агенты:

🔘adk_base — базовый ReAct-агент.

🔘agentic_rag — поиск и Q&A с RAG.

🔘langgraph_base_react — агент на LangGraph.

🔘crewai_coding_crew — мультиагентная код-команда.

🔘live_api — мультимодальный агент с поддержкой чата, видео и аудио.

#GenAI #GoogleCloud #AIagent #AgentStarterPack #VertexAI #RAG #ReAct #LangGraph #CrewAI #CloudRun #Firebase #MLOps #LLM #Python #DevTools #AI4Dev #GCP

📱Ссылка на репозиторий:
https://github.com/GoogleCloudPlatform/agent-starter-pack

📱BioReason.

BioReason — это передовая модель искусственного интеллекта, разработанная для глубокого биологического рассуждения на основе данных ДНК. Она представляет собой интеграцию DNA foundation model с большой языковой моделью (LLM), что позволяет эффективно обрабатывать и анализировать геномные данные.

🔹Особенности:

🔘Интеграция LLM с ДНК-моделью — единая архитектура для reasoning по генетическим данным.

🔘Поддержка GRPO-тренировки: supervised + RL для интерпретируемых выводов.

🔘Бенчмарки на KEGG (болезненные пути, генные связи и др.).

🔘Увеличение точности до 97% (+15% к baseline).

🔘Вывод логических reasoning-трейсов: можно проследить, как модель пришла к выводу.

🔻Установка:

git clone https://github.com/bowang-lab/BioReason.git
cd BioReason
pip install -e .

✅Датасеты и модель доступны на HuggingFace (релиз чекпоинтов — до конца недели).

❓Что внутри:

🔘DNA-LLM — кастомная модель, обрабатывающая геномные последовательности.

🔘GRPO pipeline — гибкая система для биологического обучения с рассуждением.

🔘Интерпретируемый вывод — научно осмысленные, не "чёрные ящики".

#BioReason #GenAI #DNA #LLM #BiologyAI #GRPO #HuggingFace #KEGG #MultimodalAI #ReinforcementLearning #MLOps #AI4Science #Python #OpenScience #BiomedicalAI

📱Ссылка на репозиторий:
https://github.com/bowang-lab/BioReason

📱Nbdev.

nbdev — это мощная платформа для разработки прямо в Jupyter-ноутбуках. Пиши код и документацию в одном месте, а nbdev автоматически создаст тесты, документацию, CI и готовый Python-пакет.

🔹Возможности:

🔘Автоматическая генерация документации через Quarto (с поддержкой LaTeX и поиска).

🔘Публикация на PyPI и Conda.

🔘Синхронизация кода между .ipynb и .py.

🔘CI на GitHub Actions.

🔘Чистые коммиты: убирается лишняя метаинформация из ноутбуков.

🔘Тесты пишутся прямо в ячейках и запускаются одной командой.

✅Идеально для тех, кто хочет разрабатывать в Jupyter и при этом следовать лучшим практикам Python-разработки.

#nbdev #Python #Jupyter #DataScience #CI #Quarto #OpenSource #GitHubActions #PyPI #Conda #MLOps #notebookDrivenDevelopment #разработка

📱Ссылка на репозиторий:
https://github.com/AnswerDotAI/nbdev

📱UltraRAG.

UltraRAG — это легковесный фреймворк для разработки RAG‑систем на базе Model Context Protocol (MCP), созданный совместно THUNLP (Tsinghua University), NEUIR (Northeastern University), OpenBMB и AI9stars.

🔹Основные особенности:

🔘Низкий барьер входа — сложные пайплайны с ветвлениями, циклами и итерациями описываются в десятках строк YAML вместо сотен строк кода.

🔘Визуальный IDE, а не чат — конструктор пайплайнов с двунаправленной синхронизацией «Canvas ↔️ Code», интерактивной отладкой, настройкой промптов и встроенным управлением базами знаний.

🔘Модульная архитектура — Retriever, Generation и другие компоненты работают как независимые MCP-серверы, легко интегрируются и переиспользуются.

🔘Один клик до продакшена — пайплайн мгновенно превращается в интерактивный веб-интерфейс без лишнего кода.

🔘Для исследователей — готовые датасеты, стандартные воркфлоу, визуальная аналитика экспериментов и Case Study для отладки каждого шага.

🔘Deep Research Pipeline — интеграция с AgentCPM-Report позволяет автоматически собирать многошаговый поиск в длинные аналитические отчёты.

#UltraRAG #RAG #MCP #LLM #AI #DeepResearch #Python #NoCode #MLOps #RetrievalAugmentedGeneration #OpenSource

📱Ссылка на репозиторий:
https://github.com/OpenBMB/UltraRAG

📱Hydra.

Hydra — это мощный фреймворк для гибкого и элегантного управления конфигурациями сложных приложений.

Если вы работаете в сфере Machine Learning или Deep Learning, вы наверняка сталкивались с кошмаром разрастающихся конфигурационных файлов. Hydra решает эту проблему, позволяя динамически собирать итоговый конфиг из мелких независимых кусочков (композиция) и переопределять любые параметры на лету прямо из командной строки, вообще не трогая код.

🔹Главные фишки и экосистема:

🔘Динамическая композиция: Настройки можно разбивать на логические группы (датасеты, модели, оптимизаторы) и комбинировать их в один клик.

🔘Удобный CLI: Переопределяйте любые глубоко вложенные параметры при запуске скрипта прямо через консоль (например, model.lr=0.001).

🔘Развитая экосистема плагинов:

🔤hydra-zen — генерация динамических конфигураций в чистом Python-стиле.

🔤lightning-hydra-template — готовый и очень популярный шаблон для ML-экспериментов на базе PyTorch Lightning.

🔤hydra-torch — типобезопасные конфигурационные классы для PyTorch.

🔤Плагин распределенного запуска от NVIDIA для масштабного обучения нейросетей.

📦Установка:

🔘Стабильная ветка (Hydra 1.3):

pip install hydra-core --upgrade

🔘Свежая dev-версия (Hydra 1.4 с поддержкой Python 3.10–3.14):

pip install --pre --upgrade hydra-core

✅Фреймворк распространяется под свободной лицензией MIT.

#Python #MachineLearning #DeepLearning #Hydra #PyTorch #DevTools #MLOps #OpenSource

📱Ссылка на репозиторий:
https://github.com/facebookresearch/hydra