586건 · 관련도순
Biblioteca do Facebook para busca eficiente de similaridade e clustering de vetores densos. Suporta bilhões de vetores, aceleração GPU e vários tipos de índice (Flat, IVF, HNSW). Use para busca k-NN rápida, recuperação de vetores em larga escala ou quando você precisa de busca pura de similaridade sem metadados. Melhor para aplicações de alto desempenho.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Geração de imagens com tecnologia de ponta usando Stable Diffusion via HuggingFace Diffusers. Use quando gerar imagens a partir de prompts em texto, realizar tradução de imagem para imagem, inpainting ou construir pipelines de difusão customizados.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Fornece treinamento distribuído de LLM nativo do PyTorch usando torchtitan com paralelismo 4D (FSDP2, TP, PP, CP). Use para fazer pré-treinamento de Llama 3.1, DeepSeek V3 ou modelos customizados em escala de 8 a 512+ GPUs com Float8, torch.compile e checkpoint distribuído.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Plataforma de observabilidade de IA de código aberto para rastreamento de LLM, avaliação e monitoramento. Use ao debugar aplicações de LLM com rastreamentos detalhados, executar avaliações em datasets ou monitorar sistemas de IA em produção com insights em tempo real.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Quantização Half-Quadratic para LLMs sem dados de calibração. Use ao quantizar modelos com precisão 4/3/2-bit sem necessidade de conjuntos de calibração, para workflows de quantização rápida, ou ao fazer deploy com vLLM ou HuggingFace Transformers.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Framework de pré-treinamento visão-linguagem que conecta codificadores de imagem congelados e LLMs. Use quando você precisar de legendagem de imagens, resposta a perguntas visuais, recuperação imagem-texto ou chat multimodal com desempenho zero-shot de última geração.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Operações de LLM — RAG, embeddings, bancos de dados vetoriais, fine-tuning, prompt engineering avançado, custos de LLM, avaliações de qualidade e arquiteturas de IA para produção.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Memória é a base de agentes inteligentes. Sem ela, cada interação começa do zero. Esta skill cobre a arquitetura de memória de agentes: curto prazo (janela de contexto), longo prazo (vector stores), e as arquiteturas cognitivas que as organizam. Insight-chave: Memória não é apenas armazenamento - é recuperação. Um milhão de fatos armazenados não significam nada se você não conseguir encontrar o certo. Estratégias de chunking, embedding e recuperação determinam se seu agente se lembra ou esquece. O campo é fragm
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Skill de pesquisa profunda alimentado por NotebookLM MCP. Conduz pesquisa estruturada em múltiplas fontes (análise de mercado, inteligência competitiva, análise de tendências, pesquisa de prospects) usando Google NotebookLM como mecanismo de pesquisa, depois entrega briefs formatados e artefatos opcionais de estúdio (slides, podcasts de áudio, vídeos, infográficos, relatórios, mapas mentais).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Acelere a inferência de LLMs usando especulative decoding, múltiplas cabeças Medusa e técnicas de lookahead decoding. Use ao otimizar velocidade de inferência (aceleração de 1,5-3,6×), reduzir latência em aplicações em tempo real ou fazer deploy de modelos com recursos computacionais limitados. Cobre modelos draft, atenção em árvore, iteração de Jacobi, geração paralela de tokens e estratégias de deploy em produção.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Modos operacionais de IA (brainstorm, implement, debug, review, teach, ship, orchestrate). Use para adaptar o comportamento com base no tipo de tarefa.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Framework de orquestração multi-agent para colaboração autônoma de IA. Use ao construir equipes de agentes especializados trabalhando juntos em tarefas complexas, quando você precisa de colaboração de agentes baseada em papéis com memória, ou para workflows em produção exigindo execução sequencial/hierárquica. Construído sem dependências de LangChain para execução enxuta e rápida.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Avalia LLMs em mais de 60 benchmarks acadêmicos (MMLU, HumanEval, GSM8K, TruthfulQA, HellaSwag). Use quando benchmarking de qualidade de modelo, comparação de modelos, relatório de resultados acadêmicos ou rastreamento de progresso de treinamento. Padrão da indústria usado por EleutherAI, HuggingFace e laboratórios principais. Suporta HuggingFace, vLLM, APIs.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Consulte o banco de dados de grafo de código para entender relacionamentos de componentes, dependências e impacto de mudanças. Use quando o usuário pedir para "encontrar chamadores", "verificar dependências", "o que usa isso", "mostrar relacionamentos", "encontrar serializadores", ou ao ler código e precisar entender o que depende de um componente antes de fazer modificações.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Construa agentes de IA que interagem com computadores como humanos fazem - visualizando telas, movimentando cursores, clicando botões e digitando texto. Cobre Computer Use da Anthropic, Operator/CUA da OpenAI e alternativas de código aberto. Foco crítico em sandboxing, segurança e tratamento dos desafios únicos do controle baseado em visão. Use quando: computer use, automação de desktop agent, controle de tela IA, agente baseado em visão, automação de GUI.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Especialista em CrewAI - o principal framework multi-agente baseado em papéis utilizado por 60% das empresas da Fortune 500. Abrange design de agentes com papéis e objetivos, definição de tarefas, orquestração de crew, tipos de processo (sequencial, hierárquico, paralelo), sistemas de memória e flows para workflows complexos. Essencial para construir equipes colaborativas de agentes IA. Use quando: crewai, equipe multi-agente, papéis de agentes, crew de agentes, agentes baseados em papéis.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Reduza o tamanho de LLMs e acelere a inferência usando técnicas de pruning como Wanda e SparseGPT. Use para comprimir modelos sem retreinamento, alcançando 50% de esparsidade com perda mínima de acurácia, ou ativando inferência mais rápida em aceleradores de hardware. Cobre pruning não estruturado, pruning estruturado, esparsidade N:M, pruning por magnitude e métodos one-shot.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Decompose complex tasks into detailed, actionable todos. Each todo has a rich description that is executable from the description alone.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Meta-skill que orquestra todos os agentes do ecossistema. Scan automatico de skills, match por capacidades, coordenacao de workflows multi-skill e registry management.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Manage Things 3 via the `things` CLI on macOS (add/update projects+todos via URL scheme; read/search/list from the local Things database). Use when a user asks SolanaOS to add a task to Things, list inbox/today/upcoming, search tasks, or inspect projects/areas/tags.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Terapia de Esquemas según Jeffrey Young: Esquemas, modos, concepto del niño interior y estilos de afrontamiento — presentado psicoeducativamente.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Betreibt eine zeitlich begrenzte, sitzungsgebundene Funkstelle über einen gemeinsam synchronisierten Ordner. ListenSync scannt systematisch nach Aufträgen und Neuigkeiten; WriteSync versendet Deltas und Receipts. Verwenden bei PingPong, Dosentelefon, ListenSync, WriteSync, Sync-Listener, Auftragswache, News-Scan oder Goal-/Loop-Überwachung.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Meta-skill que orquestra todos os agentes do ecossistema. Scan automatico de skills, match por capacidades, coordenacao de workflows multi-skill e registry management.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Usar para crear o mejorar una skill de Andru.ia: define entradas y resultados, redacta SKILL.md con ejemplos y límites, valida la estructura y prepara una PR.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.