全部 AI 工具

35,707 个结果 · 第 950 / 992 页

Llm clash

Llm clash 是一个用于让大语言模型（LLM）相互对战与辩论的测试平台。根据现有资料，其核心用途是测试不同 LLM 并将它们放在一起比较、辩论。目前暂未提供关于其具体功能、使用方式、支持模型、收费模式及适用场景的更多信息。

LLM Evaluation

LLM Evaluation 是由微软研究院及其他合作机构开展的大语言模型评估研究项目，相关成果以排行榜、论文和代码形式公开。该项目聚焦于对大语言模型的能力与表现进行系统化评测，为研究人员和开发者提供可参考的评估结果与工具。资料更新时间为 2023 年 10 月。

LLM Evaluation

中文介绍正在整理，稍后补充。

LLM Explorer

中文介绍正在整理，稍后补充。

Llm farm

中文介绍正在整理，稍后补充。

LLM GPU Helper

LLM GPU Helper 是一个聚焦开源 AI 模型的在线平台，主要提供三类服务：计算本地部署 AI 模型所需的 GPU 显存、推荐 AI 模型，以及访问 AI 模型知识库。该工具面向需要在本地运行大语言模型的用户，帮助其在部署前估算显存需求，从而判断硬件是否满足要求。目前仅提供上述功能范围的公开信息，关于平台的具体定价、使用步骤、支持模型清单、技术细节与限制等，资料中暂未提供。

LLM Mafia Game

中文介绍正在整理，稍后补充。

Llm sandbox by dioptra

Dioptra 是一个面向法律行业的 AI 智能体，专注于合同红线生成、剧本提炼与风险标记，可集成到 Microsoft Word 等现有工作流中。根据资料，其输出质量被律师评价为最高，支持快速生成红线、定制剧本以及识别非市场风险。在数据安全方面，Dioptra 遵循 SOC2 Type II 标准，数据在传输和静态时均加密，与 LLM 供应商签订零数据保留协议，承诺不将客户合同、剧本等数据用于模型训练，并定期接受第三方漏洞评估。

Llm seo monitor

LLM SEO Monitor 是一款监控 ChatGPT、Claude 和 Google Gemini 等 AI 助手在特定关键词下推荐情况的工具，帮助用户跟踪并优化品牌在 AI 搜索中的排名，提升被 AI 推荐的可能性。

Llm x

中文介绍正在整理，稍后补充。

llm-advisor-mcp

llm-advisor-mcp 是一个模型上下文协议（MCP）服务器，为 AI 助手提供实时的 LLM/VLM 知识，包括定价、基准测试和推荐。它每小时更新一次数据，而非依赖训练周期，解决了大语言模型知识截止的问题。该工具无需 API 密钥或注册，一条命令即可安装。它聚合了五个基准测试来源（SWE-bench、LM Arena Elo、OpenCompass VLM、Aider Polyglot 和 OpenRouter 定价），并以紧凑的 Markdown 表格输出以节省 token。主要功能包括列出顶级模型、比较模型、根据预算推荐模型以及获取特定模型的详细信息。

llm-course-cn

llm-course-cn 是一个托管在 GitHub 上的中文学习资源仓库，主要用于学习大语言模型（LLM）。该仓库提供学习路线图（roadmaps）和 Colab notebooks，帮助学习者按阶段掌握 LLM 相关知识。资料中未提供更详细的功能说明、收费信息或具体使用步骤。

LLM-Engines

LLM-Engines 是一个面向大语言模型（LLM）的统一推理引擎，由 Dongfu Jiang 开发。它旨在为开源模型（如 VLLM、SGLang、Together）和商业模型（如 OpenAI、Mistral、Claude）提供一致的调用接口。该工具通过比较不同引擎在 temperature=0.0 和 max_tokens=None 时的输出，验证了推理的正确性。它支持多轮对话、批量推理、视觉输入、并行推理等功能，并提供了缓存机制以避免重复请求。LLM-Engines 还支持 OpenAI 批量 API，可享受半价优惠。用户可以通过 PyPI 安装，并使用 uv 管理环境。该工具适用于需要跨多个引擎进行模型推理和比较的研究人员和开发者。

LLM-eval-survey

LLM-eval-survey 是大语言模型评估综述论文《A Survey on Evaluation of Large Language Models》的官方 GitHub 仓库，用于汇总和整理 LLM 评估相关论文与资源。该仓库按照综述的章节结构组织论文，涵盖评估什么（What to evaluate）和在哪里评估（Where to evaluate）等维度，并持续收录自然语言处理、鲁棒性、伦理、偏见与可信度、社会科学、自然科学与工程、医疗应用、智能体应用等方向的评估文献。仓库同时提供相关项目链接，如面向大语言模型鲁棒性评估的 PromptBench 和 LLM-eval。

llm-foundry

LLM Foundry 是 Databricks（MosaicML）开源的 LLM 训练代码库，基于 Composer 与 MosaicML 平台，支持大模型的训练、微调、评估和推理部署。它强调易用、高效与灵活，便于快速实验最新技术。仓库包含模型、数据集、回调等源码，以及数据准备、训练、推理、评估等脚本，可训练或微调从 125M 到 70B 参数的 HuggingFace 与 MPT 模型。该代码库还用于训练 DBRX（132B 总参数、36B 激活参数的 MoE 模型），并已开源多个 MPT 模型。提供预构建 Docker 镜像、注册表机制和 CLI 工具，支持自定义组件。

llm-guard

LLM Guard 是由 Protect AI 开发的一款面向大语言模型（LLM）交互的安全工具包，旨在为大模型应用提供安全防护。该项目提供净化处理、有害语言检测、数据泄漏预防以及提示注入攻击抵御等能力，帮助开发者确保与 LLM 的交互安全可靠。LLM Guard 设计用于生产环境的轻松集成与部署，支持开箱即用。需要注意的是，该项目及其在 Hugging Face 上关联的模型已归档，不再进行主动开发或维护。基础功能仅依赖少量库，使用更高级功能时会自动安装必要依赖。使用要求 Python 3.9 或更高版本。支持的扫描器包括提示扫描器（如 PromptInjection）和输出扫描器（如 FactualConsistency、URLReachability）。项目提供文档、Playground 和更新日志，并支持部署为 API。LLM Guard 是开源解决方案，社区可通过 GitHub Issue、Slack 等渠道参与贡献和获取支持。

llm-prices

llm-prices 是一个零依赖的 Python CLI 工具与库，用于查询和比较各大 LLM API 的定价。资料显示其覆盖 277 个模型、47 家提供商（如 OpenAI、Anthropic、Google、Mistral、Groq、Cohere、DeepSeek、xAI 等），无需 API 密钥，定价数据内置于包中并随版本更新。也可作为 MCP 服务器使用，在 Claude、Cursor 等兼容 MCP 的 AI 助手中直接调用。支持列出模型、导出 Markdown 表格或 CSV、计算特定调用成本、JSON 输出、并排比较模型、按工作量查找最便宜模型、按提供商筛选、计算预算内可调用次数以及查看新增模型，并可作为 Python 库导入。需要 Python 3.8+，无其他依赖。

llm-prices-cn

llm-prices-cn 是一个每日核价的大语言模型（LLM）API 价格数据集，覆盖国内外 44 个以上主流模型，包括 OpenAI、Anthropic、Google、DeepSeek 以及阿里通义、字节豆包、百度文心、腾讯混元、MiniMax 等厂商。数据集以 prices.json 形式提供结构化模型信息与每百万 token 的输入、输出价格（同时折算为 USD 与 CNY），并包含缓存命中价、上下文窗口、最大输出、支持模态、模型标签、知识截止时间和基准评测质量分等字段。项目同时提供托管的 MCP 服务与可自托管的本地 stdio MCP 服务，使 AI 智能体能够实时查询模型价格并估算 token 成本。

llm-prices-data

LLM Prices 是由 modelpricewatch.com 维护的开放数据仓库，提供机器可读的大语言模型 API 定价信息。当前覆盖 40 家提供商（包括 OpenAI、Anthropic、Google、Mistral、xAI、DeepSeek、Meta、Groq、Together 等）的 222 个现役模型。每条价格均链接至提供商官方定价页面，并每日与独立参考源交叉核对，头部模型每周从提供商页面重新读取并附有带日期的凭证。仓库数据在每次刷新周期后自动更新，最后同步时间为 2026-10-14。提供无需密钥、支持 CORS 的实时 API，以及一个 Atom 格式的价格变动订阅源。此外还发布 The LLM Price Index，这是一个固定等权的前沿旗舰模型组合，按 3:1 的输入输出比例混合，每日重新核验，用于回答“百万 token 的前沿智能成本是多少”。数据以 CC-BY-4.0 许可发布，MCP 桥接代码采用 MIT 许可。

LLM-security-and-privacy

LLM-security-and-privacy 是一个在 GitHub 上维护的开源资料库，以精选列表的形式汇集与大语言模型（LLM）安全与隐私相关的论文、工具、框架和资讯。该仓库从安全与隐私两个角度梳理 LLM 面临的威胁与漏洞，核心内容包括论文清单、威胁分类概览图、参考框架与分类法，以及相关工具和文章。仓库提供 paper-summaries 文件夹，用于存放每篇论文的摘要、要点和补充细节；main.bib 文件收录了列表中所列论文的最新引用信息。整体定位偏研究资源整理，适合希望系统了解 LLM 安全与隐私领域文献和威胁分类的研究者与开发者参考。

llm-ui

llm-ui 是一个用于构建 LLM 界面的 React 库，旨在解决大语言模型流式输出在用户界面中的渲染问题。它能够移除破损的 Markdown 语法，避免因流式传输不完整而导致的渲染错误；支持将自定义组件嵌入 LLM 输出中，实现丰富的交互内容；通过节流机制平滑流式输出的停顿，并以原生帧率渲染，保证界面流畅。代码块高亮使用 Shiki 支持多种语言。该库采用无头（Headless）设计，开发者可自由带入自己的样式。项目由 Stream 赞助，适用于需要实时、高质量展示 LLM 输出的 React 应用。

llm_multiagent_debate

llm_multiagent_debate 是一个实现论文《Improving Factuality and Reasoning in Language Models through Multiagent Debate》的多智能体辩论框架代码库，该论文被 ICML 2024 收录。其核心思想是让多个语言模型实例以辩论的方式交流，从而提升回答的 factual 准确性和推理能力。仓库提供算术、GSM（小学数学）、传记和 MMLU 四类任务的实验代码，包含生成与评估脚本，方便研究者复现论文中的多智能体辩论实验结果。

llm_rules

RuLES（Rule-following Language Evaluation Scenarios）是一个用于评估语言模型规则遵循能力的基准测试。该仓库包含评估代码、测试用例和模型接口，支持通过API或本地模型（如vLLM）运行评估，并提供可视化结果和聚合评分功能。

llmbase

中文介绍正在整理，稍后补充。

LLMeBench

LLMeBench 是一个用于加速大语言模型（LLM）基准测试的灵活框架，由 QCRI 开发并维护。该框架旨在简化对各类 LLM 在不同 NLP 任务上的评估流程，支持多种模型提供商，包括 OpenAI（如 GPT）、HuggingFace Inference API、Azure 和 Petals（如 BLOOMZ）。它能够无缝定制以适应任何 NLP 任务、LLM 模型和数据集，不受语言限制。LLMeBench 当前支持 34 个任务、7 个模型提供商，并已在 16 种语言的 80 个数据集上测试，提供约 800 个可运行的基准测试资产。框架支持文本、语音和多模态任务，具备广泛的缓存能力以避免重复的昂贵 API 调用，支持零样本和少样本学习范式，并能自动下载和缓存数据集。安装命令为 pip install 'llmebench[fewshot]'，下载资产使用 python -m llmebench assets download，下载数据使用 python -m llmebench data download <DatasetName>，运行基准测试则通过 python -m llmebench 命令并配合过滤、限制样本数、少样本设置等选项。结果保存在指定目录，包含详细的结果文件和摘要。该框架持续更新，近期新增了多模态能力、语音问答等资产以及新的模型提供商支持。

LLMFarm

LLMFarm 是一款基于 GGML 和 llama.cpp 的 iOS 与 macOS 应用，用于在本地离线运行大型语言模型（LLM）。它支持加载不同模型并设置参数，方便在苹果设备上测试各类 LLM 的性能，以找到适合项目的模型。应用提供多种推理方式、采样方法、Metal 加速（Intel Mac 不支持）、模型设置模板、上下文状态恢复以及 Apple Shortcuts 集成。支持 GPT2、Cerebras、Starcoder、StableLM、Deepseek、LLaVA、MobileVLM 等模型，并可通过选择 llama 推理兼容 Falcon、Alpaca、Vicuna、Baichuan、Mistral 等众多模型。注意：该应用目前在 TestFlight 和 App Store 暂时不可用。

LLMs-Universal-Life-Science-and-Clinical-Skills-

本项目是面向生命科学与临床AI的可复现、可审计研究工作流集合，由MD BABU MIA博士维护。仓库将生物医学AI从零散提示词转化为结构化工作单元，收录1207项技能、54个类别，以SKILL.md文件、参考笔记、运行时适配器和评估资源形式组织。其核心理念是：生物医学智能体应了解自身领域、引用证据、有意识地使用工具、保留来源，并在恰当的人工审核边界停止。仓库支持转化研究、临床信息学、基因组学、空间与单细胞分析、数字病理、药物发现、研究自动化和现代智能体基础设施。运行时层BioKernel可将自然语言研究问题路由到合适技能、组合多步工作流并用生物医学标准评估输出。内容涵盖3D基因组学Hi-C分析、AI提供商集成（OpenAI、Anthropic、Google、AWS、Azure等）、智能体评估与可观测性、科学发现智能体、临床工作流自动化等。开源组件保留各自许可，原创架构与工作流设计需署名并链接原仓库。

LLMsBook

LLMsBook 是书籍《大型语言模型实战指南：应用实践与场景落地》的实战代码汇总仓库，托管于 GitHub。项目按书籍章节组织代码，涵盖 tokenizer 训练、基于 PEFT 的 Llama 微调、基于 DPO 的偏好对齐、基于 DeepSeek Coder 的 SQL 微调、基于 Baichuan 的角色扮演模型微调、基于 Qwen 的对话要素抽取模型微调、基于 BGE 的向量微调、基于 ChatGLM3 的知识库答案生成任务微调与 Streamlit 应用搭建，以及基于 Langchain 构建 AutoGPT 等实战内容。仓库同时记录书籍勘误，并欢迎通过 issue 反馈。

LLMSTXT.NEW

LLMSTXT.NEW 是一个由 Firecrawl 提供支持的 llms.txt 生成工具，可从任意网站生成用于 LLM 训练和推理的整合文本文件。用户输入一个 URL 即可生成该网站的 llms.txt 文件，也可通过 API 调用。可使用 Firecrawl 的 API key 获得更好体验。

Llmwizard

中文介绍正在整理，稍后补充。

LLocalSearch

LLocalSearch 是一个完全在本地运行的搜索聚合器，基于 LLM Agent 和 LLM 链。用户提问后，系统使用本地大语言模型自主选择工具进行互联网搜索，递归查找答案，并展示 Agent 进度与最终答案。无需 OpenAI 或 Google API 密钥，注重隐私保护，可在低端硬件上运行，支持追问、移动端友好、深色/浅色模式。项目来自 GitHub 仓库 nilsherzig/LLocalSearch，作者已表示该版本停更超过一年，正在筹备私有测试版重写/重启。

Llog

中文介绍正在整理，稍后补充。

Lm kit net

LM-Kit.NET 是一套面向 .NET 开发者的 SDK，用于在 C# 和 VB.NET 应用中集成大语言模型与生成式 AI 能力；配套的 LM-Kit One 则是私有部署的 AI 应用服务器，可提供模型、智能体、RAG、搜索与文档智能服务，支持 Windows、Linux 与 macOS，并可通过 OpenAI、Anthropic、Ollama 及 MCP 等接口接入现有应用。

Lm studio

LM Studio 是一款支持在本地下载和运行大语言模型（LLM）的工具，兼容 LLaMa、MPT、Gemma 等多种模型，提供快速、安全的离线运行体验。用户可通过应用内聊天界面或兼容 OpenAI 的本地服务器使用模型，并能从 Hugging Face 仓库下载模型文件。该工具无需编程技能即可使用，支持 Mac、Windows、Linux 系统，安装简便。

LMExamQA

LMExamQA 是一个基础模型基准评测排行榜，采用“Language-Model-as-an-Examiner”（以语言模型作为考官）的方式进行评测。目前可确认的信息仅包括其名称、网址与这一评测定位，关于具体评测指标、参与模型、榜单数据、使用方式及是否收费等细节暂未提供。

lmm-r1

LMM-R1 是 OpenRLHF 的一个分支项目，旨在为大型多模态模型（LMM）提供强化学习训练基础设施，以增强其多模态推理能力。该项目提出一个两阶段基于规则的强化学习框架：第一阶段为基础推理增强（FRE），使用纯文本数据建立强推理基础；第二阶段为多模态泛化训练（MGT），将推理能力扩展到多模态领域。通过该框架，LMM-R1 能利用有限的训练数据显著提升 3B 规模多模态模型的推理性能。项目支持 PPO、REINFORCE++、RLOO 等训练算法，支持 Qwen2.5-VL、Phi3.5-V、Phi4-Multimodal 等模型，并提供完整训练脚本和数据集格式说明。