Идеи для пет-проектов в геоаналитике со спутниковыми снимками
Допустим, мы научились генерить пространственные фичи. Самое интересное, что данные у нас могут быть не только lat, lon в чистом виде или преобразованном, а еще у нас может быть много дополнительных данных. Короче го брать спутниковые снимки.
На основе свежих статей я подобрал некоторый шортлист задач, где можно попробовать потыкать ML/DL:
1️⃣ Оценка потенциала солнечной энергетики (Urban Planning) - по мотивам этой статьи
Задача: Оценить, сколько солнечных панелей можно установить на крышах зданий эффективно.
Что брали в статье: Модель детекции объектов (YOLO) или сегментации (U-Net) для поиска крыш на спутниковых снимках
Что делать: Обучить модель на размеченных данных, чтобы она находила крыши
Улучшение: Добавить данные о затененности от других зданий для более точного расчета выработки энергии. Дополнительно можно попробовать оценить оптимальный угол наклона панели и соответствует ли он наклону крыши.
2️⃣ Поиск самых жарких кварталов города (тоже про урбанистику) - по мотивам другой статьи
Задача: Предсказать, какие участки города будут перегреваться сильнее всего летом.
Данные: Типы застройки (land cover), плотность озелененной территории, топография, расстояние до береговых линий и воды.
Что в статье: Natural Gradient Boosting или Deep Neural Networks. В статье дошли до R2 ~ 0.9 на тесте с NGBR. Вы кстати можете затестить катбуст.
Что делать: Собрать все факторы по городской сетке, сгенерить фичи (например, % озелененной территориии в радиусе 500м) и обучить хотя бы регрессионную модель.
Улучшение: Добавить данные о высоте зданий (влияет на проветриваемость) и интенсивности трафика (доп. источник тепла).
3️⃣ Поиск аномальных изменений (Anomaly Detection) - можно взять эту статью (там кстати прям с кодом внутри статьи)
Задача: Находить на снимках аномальные изменения, допустим вырубка лесов (deforestation).
Данные: Распределенные по времени спутниковые снимки (например, Landsat). Их кстати надо обрабатывать
Бейзлайн: Сравнение снимков, относящихся к одним координатам попиксельно в разные промежутки времени.
Что делать: Применить модели для поиска аномалий, (база - Isolation Forest) на данных об изменениях в ландшафте
Улучшение: Для искушенных можно затестить DeepIsolationForest
4️⃣ Поиск зон затопления (Flood Hazard) - по этому поводу кстати статей много, допустим берем эту
Задача: Спрогнозировать, какие территории с наибольшей вероятностью пострадают от наводнения.
Данные: Спутниковые снимки взять cо Scihub Copernicus (SAR, Sentinel-1) (с российских ip не работает, как грузить вроде была инфа на гитхабах), дополнительно можно собрать разные геоданные (рельеф, тип почвы, осадки). Таргет можно собрать здесь
Бейзлайн: Random Forest или градиентный бустинг (CatBoost). В статье например модели бустингов показывают норм точность > 80-90%.
Что делать: По классике собрать все геофичи в один датасет и обучить модель на исторических данных о затоплениях. Не забыть про SHAP, чтобы объяснить, почему модель считает именно эту зону целевой.
Улучшение: Затестить например GEE (Google Earth Engine)
Если вам ничего не откликнулось, то усредненный проект в геоаналитике с точки зрения спутниковых снимков и ML/DL можно представить вот так:
▫️ Собрать побольше данных: спутниковые снимки, статистика, опенсурсные данные с каких-либо датчиков.
▫️ Допустим, навесить много моделек: начиная с ванильного CNN, затем U-Net, YOLO, SAM, CLIP или что уже душе угодно. Особо изысканные могут затестить TernausNet 😐
▫️ Ну или например взять предобученные на геоданных модели. Есть допустим библиотека TorchGeo
▫️ Найти для себя любой интересующий вас таргет. И дальше уже тыкать модельки на фичах.
▫️ По желанию интерпретируемость с LIME или SHAP
Проекты в геоаналитике — это не просто таблички, а возможность поработать со спутниковыми снимками, картами и реальными проблемами городов и планеты. Идеи можно подбирать со статей, а данные с открытых источников. Короче, все зависит от нашего желания.
Кидайте в коменты ваши проекты с геоаналитикой👍
#geoanalytics #ml #dl #petproject
Допустим, мы научились генерить пространственные фичи. Самое интересное, что данные у нас могут быть не только lat, lon в чистом виде или преобразованном, а еще у нас может быть много дополнительных данных. Короче го брать спутниковые снимки.
На основе свежих статей я подобрал некоторый шортлист задач, где можно попробовать потыкать ML/DL:
Задача: Оценить, сколько солнечных панелей можно установить на крышах зданий эффективно.
Что брали в статье: Модель детекции объектов (YOLO) или сегментации (U-Net) для поиска крыш на спутниковых снимках
Что делать: Обучить модель на размеченных данных, чтобы она находила крыши
Улучшение: Добавить данные о затененности от других зданий для более точного расчета выработки энергии. Дополнительно можно попробовать оценить оптимальный угол наклона панели и соответствует ли он наклону крыши.
Задача: Предсказать, какие участки города будут перегреваться сильнее всего летом.
Данные: Типы застройки (land cover), плотность озелененной территории, топография, расстояние до береговых линий и воды.
Что в статье: Natural Gradient Boosting или Deep Neural Networks. В статье дошли до R2 ~ 0.9 на тесте с NGBR. Вы кстати можете затестить катбуст.
Что делать: Собрать все факторы по городской сетке, сгенерить фичи (например, % озелененной территориии в радиусе 500м) и обучить хотя бы регрессионную модель.
Улучшение: Добавить данные о высоте зданий (влияет на проветриваемость) и интенсивности трафика (доп. источник тепла).
Задача: Находить на снимках аномальные изменения, допустим вырубка лесов (deforestation).
Данные: Распределенные по времени спутниковые снимки (например, Landsat). Их кстати надо обрабатывать
Бейзлайн: Сравнение снимков, относящихся к одним координатам попиксельно в разные промежутки времени.
Что делать: Применить модели для поиска аномалий, (база - Isolation Forest) на данных об изменениях в ландшафте
Улучшение: Для искушенных можно затестить DeepIsolationForest
Задача: Спрогнозировать, какие территории с наибольшей вероятностью пострадают от наводнения.
Данные: Спутниковые снимки взять cо Scihub Copernicus (SAR, Sentinel-1) (с российских ip не работает, как грузить вроде была инфа на гитхабах), дополнительно можно собрать разные геоданные (рельеф, тип почвы, осадки). Таргет можно собрать здесь
Бейзлайн: Random Forest или градиентный бустинг (CatBoost). В статье например модели бустингов показывают норм точность > 80-90%.
Что делать: По классике собрать все геофичи в один датасет и обучить модель на исторических данных о затоплениях. Не забыть про SHAP, чтобы объяснить, почему модель считает именно эту зону целевой.
Улучшение: Затестить например GEE (Google Earth Engine)
Если вам ничего не откликнулось, то усредненный проект в геоаналитике с точки зрения спутниковых снимков и ML/DL можно представить вот так:
Проекты в геоаналитике — это не просто таблички, а возможность поработать со спутниковыми снимками, картами и реальными проблемами городов и планеты. Идеи можно подбирать со статей, а данные с открытых источников. Короче, все зависит от нашего желания.
Кидайте в коменты ваши проекты с геоаналитикой
#geoanalytics #ml #dl #petproject
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
asisakov
Пространственные признаки для линейной регрессии и катбуста
Допустим, мы прочитали пост с задачами в геоаналитике (либо этот) и даже пробежались по комментариям. И приняли решение затащить какую-либо задачку с использованием машинного обучения. У нас тут…
Допустим, мы прочитали пост с задачами в геоаналитике (либо этот) и даже пробежались по комментариям. И приняли решение затащить какую-либо задачку с использованием машинного обучения. У нас тут…
❤🔥11👍5🔥3❤1
Интересное что-то от ребят, кого я читаю v0.19
Предыдущий пост тут
Интересное что-то тут
Погнали:
1. 40 муравьев поделился хорошей альтернативой супервисперу. Это опенсурсный воислинк - говорят нормальная тема, а еще и можно надиктованное промптами обрабатывать. Типа пишешь текст, а на клавиатуру даже жамкаешь.
2. В паблике Dats analysis поделились крутой тулзой для перевода веб страниц в данные для рага. А в коментах еще и селф хостед версию скинули. Для меня как раз самое то. Осталось еще все посты с Интересного Что-то перевести в раг, и будет просто топ.
3. Ринат написал хороший пост про добавление памяти агентам. На самом деле очень похоже на типичную работу с кодом, когда в комментариях оставляешь себе разные подсказки, чтобы потом к этому вернуться.
4. Самат скинул обзор Гугла по разбору падений и ошибок. Из самой базы - упасть может любой сервис, главное научиться это правильно отрабатывать и делать выводы. В посте есть легкий троллинг подходов про то, как эта выкатка вообще попала в прод, частично согласен - поэтому давайте делать правильные выводы.
5. Рефат поделился несколькими UI для работы с локальными модельками с ноутбуков. Там и разные фичи, и удобный интерфейс, и даже раги. Го тестить.
Вообще, про RAG идея кстати не новая - хочется как-то правильно распарсить на каком-то уже готовом UI, в который влезет выгрузка с огромной кучи постов с тегами.
На долгосроке просто можно будет парсить тг-каналы с полезной информацией и автоматом репостить и собирать базу.
Кидайте ваши идеи и инструменты, которыми пользуетесь для локального RAGа. Не забываем про пункт 5, там уже есть немного про РАГи, хочется услышать новое.
#interesting
Предыдущий пост тут
Интересное что-то тут
Погнали:
1. 40 муравьев поделился хорошей альтернативой супервисперу. Это опенсурсный воислинк - говорят нормальная тема, а еще и можно надиктованное промптами обрабатывать. Типа пишешь текст, а на клавиатуру даже жамкаешь.
2. В паблике Dats analysis поделились крутой тулзой для перевода веб страниц в данные для рага. А в коментах еще и селф хостед версию скинули. Для меня как раз самое то. Осталось еще все посты с Интересного Что-то перевести в раг, и будет просто топ.
3. Ринат написал хороший пост про добавление памяти агентам. На самом деле очень похоже на типичную работу с кодом, когда в комментариях оставляешь себе разные подсказки, чтобы потом к этому вернуться.
4. Самат скинул обзор Гугла по разбору падений и ошибок. Из самой базы - упасть может любой сервис, главное научиться это правильно отрабатывать и делать выводы. В посте есть легкий троллинг подходов про то, как эта выкатка вообще попала в прод, частично согласен - поэтому давайте делать правильные выводы.
5. Рефат поделился несколькими UI для работы с локальными модельками с ноутбуков. Там и разные фичи, и удобный интерфейс, и даже раги. Го тестить.
Вообще, про RAG идея кстати не новая - хочется как-то правильно распарсить на каком-то уже готовом UI, в который влезет выгрузка с огромной кучи постов с тегами.
На долгосроке просто можно будет парсить тг-каналы с полезной информацией и автоматом репостить и собирать базу.
Кидайте ваши идеи и инструменты, которыми пользуетесь для локального RAGа. Не забываем про пункт 5, там уже есть немного про РАГи, хочется услышать новое.
#interesting
Telegram
asisakov
Интересное что-то от ребят, кого я читаю v0.18
Предыдущий пост тут
Интересное что-то тут
Погнали по классике, но сегодня мне тоже слегка помогли:
1. Толя запостил топовую информацию со сравнением Pandas vs. Polars. Там на самом деле целая серия из трех…
Предыдущий пост тут
Интересное что-то тут
Погнали по классике, но сегодня мне тоже слегка помогли:
1. Толя запостил топовую информацию со сравнением Pandas vs. Polars. Там на самом деле целая серия из трех…
❤4👍1🔥1
Исследование специалистов по работе с данными — 2025
DevCrowd запускает новый опрос для дата-инженеров, аналитиков, дата-сайентистов, ML-инженеров и их руководителей.
Зачем участвовать?
– чтобы понять, какие задачи и инструменты сейчас в тренде,
– увидеть, как устроена работа у коллег в других продуктах,
– узнать, как растут зарплаты и роли в индустрии,
– получить данные, которые можно использовать для самодиагностики и карьерного планирования.
🗂 Пример прошлогоднего исследования — devcrowd.ru/ds24
📝 Опрос займёт 15 минут, результаты появятся в открытом доступе в августе.
👉 Пройти опрос
DevCrowd запускает новый опрос для дата-инженеров, аналитиков, дата-сайентистов, ML-инженеров и их руководителей.
Зачем участвовать?
– чтобы понять, какие задачи и инструменты сейчас в тренде,
– увидеть, как устроена работа у коллег в других продуктах,
– узнать, как растут зарплаты и роли в индустрии,
– получить данные, которые можно использовать для самодиагностики и карьерного планирования.
🗂 Пример прошлогоднего исследования — devcrowd.ru/ds24
📝 Опрос займёт 15 минут, результаты появятся в открытом доступе в августе.
👉 Пройти опрос
🔥3👍2
😁12🔥4🦄2👍1🤣1
Интересное что-то от ребят, кого я читаю v0.20
Предыдущий пост тут
Интересное что-то тут
Всех с новой неделей, го почитаем интересное:
1. Начнем с необычного - некоторое время в каналах по ллмкам (больше всего мне зашел пост Сергея) гуляют ссылки на интересную статью про то, как модель сломали, обучив на коде с уязвимостями, что привело просто к неожиданному - alignment модели сломался. Подробнее в посте и приложенных статьях.
2. Татьяна поделилась классным выступлением Тима Роктешела про ворлд моделинг. Говорят, что это очень хороший и своевременный обзорный доклад про новые приоритеты в исследовании ИИ: reinforcement learning, фундаментальные модели, проблемы бенчмарков, агентов и акселерации науки. Короче, го слушать.
3. Сева нашел классный курс про RAG с нуля на Питоне. До этого не видел подобных материалов, обычно весь код ограничивался туториалами с лангчейна или импорта RAGTools. Думаю точно потыкаю, очень интересно! Кстати, он же писал про важность правильного дизайна проектов с LLMками.
4. Женя рассказал про разницу между zero-shot и few-shot подходами в промптинге. Казалось бы, вроде все про это знают, а по моим опросам оказалось что нет. Хоть курс по промптингу запускай!
5. Другой Женя поделился интересным гайдом для СДВГшников, который оказывается может пригодиться каждому из нас. Не знаю как вы, но я буквально часто сталкиваюсь с похожими проблемами. Мб надо пройти тест, тогда точно будет понятно.
Кстати, если у вас есть классные материалы или курсы по промптингу, кидайте в комментарии!
#interesting
Предыдущий пост тут
Интересное что-то тут
Всех с новой неделей, го почитаем интересное:
1. Начнем с необычного - некоторое время в каналах по ллмкам (больше всего мне зашел пост Сергея) гуляют ссылки на интересную статью про то, как модель сломали, обучив на коде с уязвимостями, что привело просто к неожиданному - alignment модели сломался. Подробнее в посте и приложенных статьях.
2. Татьяна поделилась классным выступлением Тима Роктешела про ворлд моделинг. Говорят, что это очень хороший и своевременный обзорный доклад про новые приоритеты в исследовании ИИ: reinforcement learning, фундаментальные модели, проблемы бенчмарков, агентов и акселерации науки. Короче, го слушать.
3. Сева нашел классный курс про RAG с нуля на Питоне. До этого не видел подобных материалов, обычно весь код ограничивался туториалами с лангчейна или импорта RAGTools. Думаю точно потыкаю, очень интересно! Кстати, он же писал про важность правильного дизайна проектов с LLMками.
4. Женя рассказал про разницу между zero-shot и few-shot подходами в промптинге. Казалось бы, вроде все про это знают, а по моим опросам оказалось что нет. Хоть курс по промптингу запускай!
5. Другой Женя поделился интересным гайдом для СДВГшников, который оказывается может пригодиться каждому из нас. Не знаю как вы, но я буквально часто сталкиваюсь с похожими проблемами. Мб надо пройти тест, тогда точно будет понятно.
Кстати, если у вас есть классные материалы или курсы по промптингу, кидайте в комментарии!
#interesting
Telegram
asisakov
Интересное что-то от ребят, кого я читаю v0.19
Предыдущий пост тут
Интересное что-то тут
Погнали:
1. 40 муравьев поделился хорошей альтернативой супервисперу. Это опенсурсный воислинк - говорят нормальная тема, а еще и можно надиктованное промптами обрабатывать.…
Предыдущий пост тут
Интересное что-то тут
Погнали:
1. 40 муравьев поделился хорошей альтернативой супервисперу. Это опенсурсный воислинк - говорят нормальная тема, а еще и можно надиктованное промптами обрабатывать.…
❤4👍3🔥3
Теория покера
Если погуглить форумы про покер, то в большинстве тредов эта игра воспринимается как некоторая система, в которой есть определенность. Хотя казалось бы, что карты всегда раздаются случайно. Считается, что успех в игре зависит от глубокого понимания математики, статистики и психологии. Даже существует целая дисциплина - теория покера.
С точки зрения человеческих способностей, тут хотелось бы упомянуть в первую очередь память - попробуйте без подсказок держать в голове все вероятностные исходы раздач, когда известна информация только о нескольких картах среди большого числа тех, что сейчас разыгрываются.
При этом, важно не только помнить вероятности по вышедшим картам и например историю сыгранных партий, но и отыскивать и запоминать паттерны поведения соперников в различных ситуациях - кто и как играл в разных позициях за столом.
Где здесь статистика и вероятности
Покер построен на математических расчетах:
▫️ Вероятность получить определенную стартовую руку
▫️ Шансы улучшить руку на флопе, терне, ривере
▫️Pot odds (соотношение размера банка к ставке)
▫️Implied odds (потенциальные шансы с учетом будущих ставок)
Продвинутая аналитика:
▫️EV (Expected Value) — матожидание каждого решения
▫️ICM (Independent Chip Model) — модель оценки фишек в денежном выражении
▫️GTO (Game Theory Optimal) — теоретически оптимальная стратегия, если мы не знаем стили игры соперников
Покерные движки и софт (обычно всегда платный софт):
Солверы (решатели):
▫️PioSOLVER - рассчитывает GTO-стратегии
▫️MonkerSolver - анализирует сложные споты
▫️SimplePostflop - анализ постфлопа
Трекеры и анализаторы (солверы там тоже есть):
▫️PokerTracker - сбор и анализ статистики
▫️Holdem Manager - детальная аналитика игры
▫️ICMIZER - расчеты для турнирных ситуаций
Очевидно, что программ больше, я просто привел рандомный список из того, что насоветовала GPT
Где тут аналитика
Статистические показатели:
▫️VPIP (Voluntarily Put $ In Pot) - частота вложений в банк
▫️PFR (Pre-Flop Raise) - показатель агрессивности игрока
▫️3-bet% - частота ререйзов
▫️C-bet% - продолженные ставки на флопе
Позиционная аналитика:
▫️ Статистика по каждой позиции за столом
▫️ Анализ прибыльности в разных ситуациях
▫️ Частота блефов в зависимости от позиции
Аналитика психологии:
▫️ Тайминг ставок (время на принятие решения)
▫️ Поведение в стрессовых или типичных ситуациях
▫️Тильт-контроль
Вообще, покер идеально подходит для изучения стратегических взаимодействий и развития навыков принятия решений в условиях неопределенности. Еще сверху это присыпается умением в риск-менеджмент и проработку поведения под эмоциональным давлением. В современное время теория покера включает и матмодели на основе теории игр, и AI-системы и ML алгоритмы, и даже поведенческие исследования
Покер давно перестал быть просто игрой. Это полноценная научная дисциплина, где успех зависит от глубокого понимания математики, умения анализировать данные и принимать оптимальные решения в условиях неопределенности.
Ну и напоследок ссылочка на открытый курс по теории покера от MIT. Весь пост родился вообще после того, как я нашел курс в рекомендациях ютуба. Очень круто просто понять, в каких случаях может пригодиться знание статистики и математики.
Надеюсь, было интересно ознакомиться.
Важно: в азартные игры играть не рекомендую!
#math #statistics #softskills #interesting
Если погуглить форумы про покер, то в большинстве тредов эта игра воспринимается как некоторая система, в которой есть определенность. Хотя казалось бы, что карты всегда раздаются случайно. Считается, что успех в игре зависит от глубокого понимания математики, статистики и психологии. Даже существует целая дисциплина - теория покера.
С точки зрения человеческих способностей, тут хотелось бы упомянуть в первую очередь память - попробуйте без подсказок держать в голове все вероятностные исходы раздач, когда известна информация только о нескольких картах среди большого числа тех, что сейчас разыгрываются.
При этом, важно не только помнить вероятности по вышедшим картам и например историю сыгранных партий, но и отыскивать и запоминать паттерны поведения соперников в различных ситуациях - кто и как играл в разных позициях за столом.
Где здесь статистика и вероятности
Покер построен на математических расчетах:
▫️Pot odds (соотношение размера банка к ставке)
▫️Implied odds (потенциальные шансы с учетом будущих ставок)
Продвинутая аналитика:
▫️EV (Expected Value) — матожидание каждого решения
▫️ICM (Independent Chip Model) — модель оценки фишек в денежном выражении
▫️GTO (Game Theory Optimal) — теоретически оптимальная стратегия, если мы не знаем стили игры соперников
Покерные движки и софт (обычно всегда платный софт):
Солверы (решатели):
▫️PioSOLVER - рассчитывает GTO-стратегии
▫️MonkerSolver - анализирует сложные споты
▫️SimplePostflop - анализ постфлопа
Трекеры и анализаторы (солверы там тоже есть):
▫️PokerTracker - сбор и анализ статистики
▫️Holdem Manager - детальная аналитика игры
▫️ICMIZER - расчеты для турнирных ситуаций
Очевидно, что программ больше, я просто привел рандомный список из того, что насоветовала GPT
Где тут аналитика
Статистические показатели:
▫️VPIP (Voluntarily Put $ In Pot) - частота вложений в банк
▫️PFR (Pre-Flop Raise) - показатель агрессивности игрока
▫️3-bet% - частота ререйзов
▫️C-bet% - продолженные ставки на флопе
Позиционная аналитика:
Аналитика психологии:
▫️Тильт-контроль
Вообще, покер идеально подходит для изучения стратегических взаимодействий и развития навыков принятия решений в условиях неопределенности. Еще сверху это присыпается умением в риск-менеджмент и проработку поведения под эмоциональным давлением. В современное время теория покера включает и матмодели на основе теории игр, и AI-системы и ML алгоритмы, и даже поведенческие исследования
Покер давно перестал быть просто игрой. Это полноценная научная дисциплина, где успех зависит от глубокого понимания математики, умения анализировать данные и принимать оптимальные решения в условиях неопределенности.
Ну и напоследок ссылочка на открытый курс по теории покера от MIT. Весь пост родился вообще после того, как я нашел курс в рекомендациях ютуба. Очень круто просто понять, в каких случаях может пригодиться знание статистики и математики.
Надеюсь, было интересно ознакомиться.
Важно: в азартные игры играть не рекомендую!
#math #statistics #softskills #interesting
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥16❤9👍4
nano-vllm
На прошлой неделе в опенсорс сообществе появился интересный проект - nano-vLLM. Это написанная с нуля минимальная версия движка vLLM. Проект кстати создан исследователем из DeepSeek (это к слову о том, почему важно заниматься своими пет-проектами). У чела всего 1200 строк Python-кода, но при этом он воспроизводит ключевой функционал vLLM. Причем за 2 недели набралось больше 4к звезд
Из названия прослеживается явная отсылка к нашумевшему nanoGPT Андрея Карпатого. И сходства действительно радуют: оба проекта созданы для понимания того, как работают сложные системы "под капотом", при это написан читаемый код без лишних абстракций. А еще есть реализация основных возможностей. Короче, можно просто форкнуть и потыкать для своих целей.
Говорят, что проводили замеры на RTX 4070 в сравнении с моделью Qwen3-0.6B (256 запросов), где нановллм уступил всего 3%. Выводы думаю можете сделать сами.
API не трогал, но заявлено, что похож на оригинальный vLLM. Примеры есть в
Короче, вот ссылка на репозиторий.
#llm #petproject
На прошлой неделе в опенсорс сообществе появился интересный проект - nano-vLLM. Это написанная с нуля минимальная версия движка vLLM. Проект кстати создан исследователем из DeepSeek (это к слову о том, почему важно заниматься своими пет-проектами). У чела всего 1200 строк Python-кода, но при этом он воспроизводит ключевой функционал vLLM. Причем за 2 недели набралось больше 4к звезд
Из названия прослеживается явная отсылка к нашумевшему nanoGPT Андрея Карпатого. И сходства действительно радуют: оба проекта созданы для понимания того, как работают сложные системы "под капотом", при это написан читаемый код без лишних абстракций. А еще есть реализация основных возможностей. Короче, можно просто форкнуть и потыкать для своих целей.
Говорят, что проводили замеры на RTX 4070 в сравнении с моделью Qwen3-0.6B (256 запросов), где нановллм уступил всего 3%. Выводы думаю можете сделать сами.
API не трогал, но заявлено, что похож на оригинальный vLLM. Примеры есть в
example.py.Короче, вот ссылка на репозиторий.
#llm #petproject
GitHub
GitHub - GeeeekExplorer/nano-vllm: Nano vLLM
Nano vLLM. Contribute to GeeeekExplorer/nano-vllm development by creating an account on GitHub.
❤5❤🔥5👍2⚡1🔥1