Open-Source-Projekte durchsuchen

Bibliothek, um zuverlässige, strukturierte Datenausgaben von LLMs mittels Function-Calling-APIs und Pydantic-Modellen zur Validierung zu erhalten.

• KI & Machine Learning

Bibliothek zum Einschränken von LLM-Ausgaben auf eine bestimmte Struktur – JSON-Schema, Regex, Grammatik – und garantiert gültige, parsbare Ergebnisse.

• KI & Machine Learning

Programmierparadigma und Bibliothek zur Steuerung der LLM-Generierung mit verschachteltem Prompting, Kontrollfluss und eingeschränkter Ausgabe in einem Programm.

• KI & Machine Learning

Quelloffenes Test-Framework zur Bewertung von LLM-Ausgaben, das Qualitätschecks für LLM-Anwendungen wie herkömmliche Unit-Tests behandelt.

• KI & Machine Learning

Dokumentenparsing-Bibliothek, die PDFs, Word-Dokumente und andere Formate in saubere, strukturierte Daten für LLM- und RAG-Pipelines umwandelt.

• KI & Machine Learning

Von der CNCF graduierter Log-Collector, der die Datensammlung aus vielen Quellen in einer einzigen, strukturierten Logging-Schicht vereint.

• Monitoring

Open-Source-Tool zum Testen und Bewerten von LLM-Prompts, das Ausgaben über Modelle hinweg vergleicht und Qualitätsregressionen vor dem Deployment erkennt.

• KI & Machine Learning

Schnelles, High-Level-Python-Framework für Web Scraping und Crawling, zum Extrahieren strukturierter Daten von Websites.

• Entwicklertools

Schnelles Serving-Framework für große Sprachmodelle und Vision-Language-Modelle mit einer strukturierten Generierungssprache für komplexe LLM-Programme.

• KI & Machine Learning

Optimierte, verteilte Gradient-Boosting-Bibliothek, weit verbreitet für strukturierte/tabellarische Datenprobleme, ein Grundpfeiler des angewandten maschinellen Lernens.

• KI & Machine Learning