Execute Llama, Qwen, DeepSeek e outros grandes modelos localmente com um comando, com biblioteca de modelos e API compatível com OpenAI integradas.
MInference
[NeurIPS'24 Spotlight, ICLR'25, ICML'25] To speed up Long-context LLMs' inference, approximate and dynamic sparse calculate the attention, which reduces inference latency by up to 10x for pre-filling on an A100 while mai
- Categoria
- 🖥️ Inferência e implantação local
- Repositório
- microsoft/MInference
- Estrelas
- ★ 1.229
- Forks
- 83
- Linguagem
- Python
- Licença
- MIT
- Última atualização
- 2026-10-10
- Visitas
- 0
Projetos semelhantes
Motor de inferência de LLM em C/C++ puro, com suporte a CPU, GPU e Apple Silicon e quantização GGUF, além de servidor compatível com OpenAI integrado.
Motor de inferência e serving de LLM de alta taxa de transferência e baixo uso de memória, tendo o PagedAttention como técnica central.
Never stop coding. Free MIT AI gateway: one endpoint, 359 providers (150+ free), 1200+ models Kimi, Claude, GPT, Gemini, GLM, DeepSeek, MiniMax. Works with Claude Code, Codex, Cursor, OpenCode, Cline & Copilot. Quota-awa
OpenAI 兼容的本地自托管 AI 引擎，一个服务同时支持文本、图像、语音与向量。
用家里闲置的手机、电脑和平板组成集群，一起运行大模型。