📱Warp.

Warp — это Python-фреймворк для написания высокопроизводительного кода для симуляции и графики. Warp берет обычные Python-функции и JIT компилирует их в эффективный код ядра, который может выполняться на CPU или GPU.

Warp разработан для пространственных вычислений и оснащен богатым набором примитивов, которые облегчают написание программ для симуляции физики, восприятия, робототехники и обработки геометрии. Кроме того, ядра Warp являются дифференцируемыми и могут использоваться в рамках машинного обучения с такими фреймворками, как PyTorch и JAX.

#Warp #Python #Simulation #Graphics #HighPerformance #JITCompilation #CPU #GPU #SpatialComputing #PhysicsSimulation #Robotics #GeometryProcessing #MachineLearning #PyTorch #JAX #DevTools #Coding #NVIDIA

📱Ссылка на репозиторий:
https://github.com/NVIDIA/warp

📱PhysicsNeMo.

PhysicsNeMo – это открытый фреймворк глубокого обучения для построения, обучения и тонкой настройки моделей с использованием передовых методов SciML для AI4Science и инженерии.

🔹Возможности PhysicsNeMo:

🔘Оптимизированные конвейеры для AI-моделей, сочетающих физические законы и данные.

🔘Поддержка нейронных операторов, GNN, трансформеров.

🔘Гибридные подходы: Physics-informed Neural Networks и их комбинации.

🔘Масштабируемое обучение моделей на мощностях NVIDIA.

✅Разработан для ученых и инженеров, которые хотят внедрять AI в моделирование физических процессов!

#PhysicsNeMo #NVIDIA #AI4Science #DeepLearning #SciML

📱Ссылка на репозиторий:
https://github.com/NVIDIA/physicsnemo

📱NVIDIA Earth2Studio.

NVIDIA Earth2Studio — это Python‑фреймворк для быстрого запуска и компоновки AI‑моделей погоды и климата (прогноз, диагностика, статистика) через единую API поверх разных моделей и источников данных.

❓Что это такое:

🔘Набор модульных компонентов: прогностические модели, диагностические модели, источники данных, IO‑бекенды, методы возмущений, метрики.

🔘Работает как «инференс‑конвейер»: вы собираете pipeline из модели, источника данных и бекенда записи и запускаете прогноз одной функцией run(...).

❤Установка и быстрый старт:

🔘Установка:

  pip install earth2studio[dlwp]

После этого можно сделать детерминированный прогноз в несколько строк (пример с DLWP, GFS и NetCDF4Backend).

🔘Для других моделей могут понадобиться дополнительные зависимости; детали — в install guide в документации.

🔻Модели и данные:

🔘Прогностические модели: GraphCast (Small/Operational), Pangu (3h/6h/24h), Aurora, FuXi, AIFS, AIFS Ensemble, StormCast, SFNO, DLESyM и др., с разными разрешениями и шагом интегрирования, глобальные и региональные.

🔘Диагностические модели: осадки, солнечная радиация, шквалы ветра, тропические циклоны, генеративные климат‑модели (CBottle, CorrDiff и вариации).

🔘Источники данных: операционные модели (GFS, HRRR, IFS), реанализа (ERA5 через ARCO/CDS, WeatherBench2, NCAR_ERA5), осадочные и наблюдательные наборы (IMERG, ISD, MRMS), плюс AI‑климат (cBottle).

❗️Лицензия и важные нюансы:

🔘Сам Earth2Studio распространяется под Apache 2.0.

🔘Но это интерфейс к сторонним моделям/датасетам: лицензии на конкретные чекпойнты и данные принадлежат их авторам, права на скачивание/использование/распространение нужно проверять по ссылкам в API‑доках.

#Earth2Studio #NVIDIA #Python #WeatherAI #ClimateAI #DeepLearning #GraphCast #Pangu #AIFS #GFS #ERA5 #Zarr #NetCDF #Xarray #Forecasting #TimeSeries #DataScience

📱Ссылка на репозиторий:
https://github.com/NVIDIA/earth2studio

📱ProtoMotions 3.

ProtoMotions 3 - это открытый высокопроизводительный фреймворк с GPU-ускорением, разработанный для симуляции, процедурной генерации и обучения движениям цифровых людей и гуманоидных роботов (Reinforcement Learning).

Проект выпущен под свободной лицензией Apache-2.0 и объединяет усилия исследователей в области анимации, робототехники и обучения с подкреплением, предоставляя модульную и масштабируемую платформу для быстрого прототипирования.

🔹Главные фичи и возможности:

🔘Масштабное обучение движениям: Позволяет обучить физически смоделированного персонажа моторным навыкам на основе огромного датасета анимаций AMASS (более 40 часов движения) всего за 12 часов на 4 видеокартах NVIDIA A100.

🔘Ретаргетинг в одну команду: Встроенный оптимизатор на базе PyRoki позволяет перенести базу движений человека на любого кастомного робота одной консольной командой (например, заменив параметр --robot-name=smpl на --robot-name=h1_2).

🔘Кросс-симуляционное тестирование (Sim2Sim): Переключение физических движков в один клик (--simulator=isaacgym ➔ newton ➔ mujoco). Это позволяет проверять алгоритмы управления роботами в разных условиях, используя только те сигналы датчиков, которые реально получить с «железа».

🔘Интеграция с генеративным ИИ: Поддерживает работу с ИИ-моделью NVIDIA Kimodo (генерация движений по текстовому промпту). Вы можете превратить текст в анимацию, а затем обучить робота выполнять это действие в симуляции.

🔘Фотореалистичный рендеринг: Полная интеграция с IsaacSim 5.0+ позволяет загружать красивое окружение, созданное с помощью трехмерного гауссового сплэттинга (Gaussian splatting).

🤖Из симуляции в реальность (Sim-to-Real).

Фреймворк успешно протестирован на аппаратном обеспечении. Универсальная политика трекинга обучается в симуляторе на датасете ~142 тысяч движений и переносится на реального гуманоидного робота Unitree G1 напрямую (zero-shot).

💡 Пайплайн развертывания экспортирует готовую ONNX-модель со встроенным вычислением параметров наблюдения. Фреймворкам на реальном роботе (тестировалось через RoboJuDo) достаточно просто скармливать модели сырые сигналы с датчиков — переписывать функции обработки данных вручную не нужно.

🛠Архитектурная модульность.

Вам не нужно писать монолитные тяжелые классы окружения. Например, задача управления движением собирается из независимых слоев:

🔘Контроллер (steering_control.py) — управляет целевым направлением и скоростью.

🔘Наблюдение (obs/steering.py) — тензорное ядро, переводящее цели в локальную систему координат робота.

🔘Награда (rewards/task.py) — рассчитывает функции вознаграждения за соблюдение курса и направления.

Добавить своего собственного робота так же просто: достаточно закинуть спецификацию .xml от MuJoCo в папку ассетов, заполнить конфигурационный файл и зарегистрировать его в фабрике роботов.

#ProtoMotions3 #NVIDIA #Robotics #Humanoids #ReinforcementLearning #SimToReal #UnitreeG1 #MuJoCo #AI #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/NVlabs/ProtoMotions

📱NVIDIA-labs OO Agents.

NVIDIA-labs OO Agents - это инструмент от NVIDIA, который позволяет создавать ИИ-агентов с помощью обычных классов Python без использования громоздких сторонних конструкций.

Главный плюс фреймворка — он универсален и работает с любыми нейросетями: от облачных (ChatGPT, Claude) до локальных запущенных моделей (Ollama, vLLM).

❓В чем разница со стандартными фреймворками:

В большинстве других библиотек промпты (текстовые инструкции), функции-инструменты и логику работы агента приходится собирать из разных сложных кусков.

Здесь всё объединено в один привычный класс Python:

🔘Поля класса — хранят текущие данные и состояние агента.

🔘Обычные методы — выполняются строго по правилам Python.

🔘Методы с троеточием (...) — выполняет сама нейросеть во время работы.

🔘Описание функций и типы данных — служат понятной инструкцией для ИИ.

from nooa import Agent

class SupportAgent(Agent):
    """Ты агент технической поддержки."""

    # Данные и память агента
    order_db: OrderDB

    # Обычный метод Python: выполняется строго по вашему коду
    def is_refund_eligible(self, order: Order) -> bool:
        return order.delivered and order.days_since_delivery <= 30

    # Метод для ИИ: вместо кода стоят три точки (...).
    # Его логику нейросеть генерирует и выполняет сама!
    async def triage(self, message: str, order: Order) -> Ticket:
        """Проанализируй обращение и создай тикет поддержки."""
        ...

🔹Главные преимущества:

🔘 Без лишних настроек: Модель сама решает задачи, генерируя и сразу выполняя нужный Python-код. Вам больше не нужно вручную описывать сложные схемы данных для вызова функций.

🔘Свобода выбора модели: Инструмент не привязан к конкретному сервису — подключайте OpenAI, Anthropic, Ollama или vLLM.

🔘Наглядная отладка: Каждый вызов нейросети, написанный код и выполнение функций автоматически отслеживаются. В комплект входит удобный веб-интерфейс для просмотра всех шагов агента.

🔘Контроль и безопасность: Так как нейросеть сама пишет и исполняет код, разработчики рекомендуют запускать таких агентов в изолированной среде (например, в Docker), чтобы ИИ не затронул важные файлы на вашем ПК.

📦Установка:

Установка через менеджер пакетов uv:

uv add nooa

или через стандартный pip:

pip install nooa

#NVIDIA #Python #AIAgents #LLM #NOOA #Программирование #DevTools #OpenSource #ИИ

📱Ссылка на репозиторий:
https://github.com/nvidia-nemo/labs-OO-Agents

📱SGLang.

SGLang - это высокопроизводительный движок и фреймворк для инференса и развертывания больших языковых (LLM) и мультимодальных моделей (VLM), разработанный сообществом LMSYS.

Проект оптимизирован как для запуска моделей на одиночных потребительских видеокартах, так и для масштабирования на гигантские серверные кластеры. SGLang стал де-факто индустриальным стандартом для инференса MoE-архитектур (включая модели линейки DeepSeek) и генерации роллаутов (rollout engine) на этапе обучения с подкреплением (RL).

🔹Ключевые возможности и архитектурные решения:

🔘RadixAttention: Умное автоматическое кэширование KV-кэша по дереву префиксов (Radix tree). Ускоряет инференс в разы в сценариях с общими системными промптами, few-shot примерами, агентскими циклами и multi-turn диалогами.

🔘Архитектура PD Disaggregation: Разделение стадий prefill (обработка входного контекста) и decode (потоковая генерация токенов) по разным GPU-нодам для максимальной утилизации вычислительной мощности.

🔘Параллелизм масштаба дата-центров: Полная поддержка Tensor, Pipeline, Data и масштабируемого Expert Parallelism (EP) для MoE-моделей на десятках и сотнях GPU (включая стойки NVIDIA GB200/GB300 NVL72).

🔘Быстрый структурированный вывод: Генерация строгого JSON и следование схемам до 3 раз быстрее аналогов благодаря оптимизированным конечным автоматам (Compressed FSM).

🔘Day-0 поддержка новейших моделей: Мгновенная адаптация топовых открытых моделей (DeepSeek-V3/R1/V4, Kimi K3, Nemotron 3, GLM, LLaVA, диффузионных генераторов видео и изображений WAN и Qwen-Image).

🔘Аппаратная всеядность: Оптимизирован под архитектуры NVIDIA (от RTX 4090/5090 до H100/B200/GB300), AMD Instinct (MI300X, MI355), Google TPU (через бэкенд на JAX) и Intel Xeon.

🔘Основа для RL и Post-Training: Служит высокоскоростным бэкендом генерации ответов во фреймворках обучения с подкреплением (verl, Miles, AReaL, slime).

💻Быстрый старт:

Установка:

pip install "sglang[all]"

Запуск OpenAI-совместимого сервера инференса:

python -m sglang.launch_server \
  --model-path deepseek-ai/DeepSeek-V3 \
  --port 30000 \
  --tp 8

Отправка запроса через Python:

import openai

client = openai.Client(base_url="http://127.0.0.1:30000/v1", api_key="None")

response = client.chat.completions.create(
    model="default",
    messages=[{"role": "user", "content": "Объясни квантовые вычисления простыми словами."}],
    temperature=0.7,
)
print(response.choices[0].message.content)

#SGLang #LLM #AI #Inference #MachineLearning #DeepSeek #NVIDIA #AMD #OpenSource #DevTools #Python #DataScience

📱Ссылка на репозиторий:
https://github.com/sgl-project/sglang