llm-inference

GPT4All：在任何设备上运行本地大语言模型。开源且可商用。

本项目旨在分享大模型相关技术原理及实战经验（大模型工程化、大模型应用落地）。

20多个高性能大语言模型，附有预训练、微调和规模化部署的方案

OpenVINO™是用于优化和部署AI推理的开源工具套件

Mistral模型官方推理库

智能体应用交付基础设施——Plano是面向AI原生的代理与数据平面，可卸载底层管道工作，让您专注于智能体核心逻辑开发（支持任意AI框架）。

FlashInfer：大语言模型服务的核心计算库

在手机、可穿戴设备及AI原生硬件上本地运行人工智能

面向 Kubernetes 可扩展多框架部署的标准化分布式生成式与预测式 AI 推理平台

Lemonade 通过直接在用户自己的 GPU 和 NPU 上运行优化后的 LLM，帮助用户发现并运行本地 AI 应用。加入我们的 Discord：https://discord.gg/5xXzkMu8Zk

⚡ 无需Python的Rust推理服务器 — 兼容OpenAI-API。支持GGUF与SafeTensors、热模型切换、自动发现、单二进制文件。现在免费，永远免费。

RuVector是一款用Rust构建的高性能向量与图数据库，专为人工智能、智能体系统和实时分析设计。它将HNSW搜索、动态最小割一致性、图智能与自学习记忆融合为统一引擎，实现可扩展、低延迟的推理与结构化检索。

面向加速基础设施与微服务架构优化的生成式AI参考工作流

一个用Rust编写的便携式加速SQL查询、搜索及LLM推理引擎，适用于数据驱动的AI应用与智能体。

A high-performance inference engine for LLM, VLM, DiT and REC models, optimized for diverse AI accelerators. It is hosted in OpenAtom Foundation.

专为多种AI加速器优化的大语言模型高性能推理引擎。

Home for "How To Scale Your Model", a short blog-style textbook about scaling LLMs on TPUs

安卓本地人工智能助手

Context-Engine MCP - 智能上下文压缩套件

将您的 Android 手机变成兼容 OpenAI 的 LLM 推理服务器 - 完全本地、私有和开源

CUDA编程练习项目——动手实践CUDA内核与性能优化，涵盖GEMM、FlashAttention、Tensor Cores、CUTLASS、量化、KV缓存、NCCL及性能分析。

用于高性能 AI 模型服务（vLLM、SGLang）和按需可通过 SSH 访问的 GPU 实例的 GPU 集群管理器。

使用Gitleaks 🔑 发现密钥 （注：根据技术文档惯例，"secrets"在此语境中指代密钥、凭证等敏感信息，采用"密钥"译法符合行业标准；保留工具名称"Gitleaks"不译；添加"使用"二字使中文表达更完整自然；表情符号位置根据中文阅读习惯调整）

数据中心级分布式推理服务框架