🏆 基座模型
①项目：Yi-Coder
★零一万物开源 Yi-Coder 代码生成系列模型，提供 1.5B 和 9B 两种参数，每种参数包含基础和聊天模型版本。Yi-Coder支持128K上下文，其中，Yi-Coder-9B 在 Yi-9B 的基础上增加了 2.4T 高质量 token，这些 token 均精心来源于 GitHub 上的存储库级代码语料库和从 CommonCrawl 中筛选出的代码相关数据。Yi-Coder-9B 的表现优于其他 10B 参数以下的模型，如 CodeQwen1.5 7B 和 CodeGeex4 9B，甚至能够与 DeepSeek-Coder 33B 相媲美。
☆一键收藏：
https://sota.jiqizhixin.com/project/yi-coder
🤖 Agent开发
①项目：TinyAgent
★TinyAgent 旨在实现小型语言模型 (SLM) 中的复杂推理和函数调用功能，这些模型可以安全且私密地部署在边缘设备。TinyAgent 通过使用高质量、精选的数据训练专门的 SLM 并专注于使用LLMCompiler进行函数调用来解决这些挑战。作为驱动应用程序，TinyAgent 可以与各种 MacOS 应用程序交互，帮助用户完成日常任务，例如撰写电子邮件、管理联系人、安排日历事件和组织 Zoom 会议。
☆一键收藏：
https://sota.jiqizhixin.com/project/tinyagent
🛠️必备工具
①项目：RapidLayoutRecover
★RapidLayoutRecover 是一个针对文档类图像的项目，整合了版面分析、文字识别、表格识别和公式识别的结果，能够还原文档的版面布局信息。该项目可以将文档类图像一比一输出到Word或者Txt中，便于进一步使用或处理。
☆一键收藏：
https://sota.jiqizhixin.com/project/rapidlayoutrecover
②项目：GuideLLM
★GuideLLM 是一个强大的工具，用于评估和优化大语言模型（LLM）的部署。通过模拟真实世界的推理工作负载，GuideLLM 帮助用户评估在各种硬件配置下部署 LLM 的性能、资源需求和成本影响。该方法确保了高效、可扩展和成本效益高的 LLM 推理服务，同时保持高服务质量。
☆一键收藏：
https://sota.jiqizhixin.com/project/guidellm
③项目：real_world_prompting
★Anthropic推出的一个综合性实用提示（prompting）教程，旨在帮助有经验的开发者深入了解提示工程。项目包括五个课程，内容涵盖了如何将关键提示技术融入复杂的实际应用提示中。
☆一键收藏：
https://sota.jiqizhixin.com/project/real-world-prompting
④项目：AlphaNLHoldem
★AlphaNLHoldem 是一个非官方的 AlphaHoldem 实现，使用 TensorFlow 和 Ray 构建的 1v1 无限制德州扑克 AI。该项目旨在提供一个干净的代码库，用于在类似 Holdem 的游戏中应用自我对弈的无模型强化学习方法，并尝试重现 AlphaHoldem 的结果。
☆一键收藏：
https://sota.jiqizhixin.com/project/alphanlholdem
👋网页端访问：https://sota.jiqizhixin.com
