从零用 PyTorch 一步步实现类 ChatGPT 大语言模型，覆盖注意力机制、预训练、指令微调全流程，适合边跑代码边理解 LLM 内部原理。

用 PyTorch 复现了注意力机制、MLP、重参数化和卷积等常见模块，方便对照论文理解原理并直接嵌入视觉任务模型。

从公开研究文献出发，用第一性原理复现 Claude Mythos 架构的理论实现，供研究者拆解其注意力机制与模型设计思路。

高性能大模型与多模态模型推理服务框架，通过优化注意力机制和调度策略提升吞吐与延迟表现，支持 Llama、DeepSeek、MoE 等主流模型部署。

配套 PyTorch 深度学习课程的开源教程与代码，从零基础讲到能独立训练模型，适合边看边动手练。

用 PyTorch 实现的 Vision Transformer（ViT），只需一个 Transformer 编码器就能在图像分类任务上达到 SOTA，代码简洁易读，适合快速复现和二次开发。

快速且省显存的精确注意力实现，支持训练和推理，能显著加速 Transformer 长序列计算。

面向 LLM 推理服务的高性能 CUDA 内核库，提供注意力、MoE 等算子的 JIT 实现，用来加速 GPU 上的大模型推理。

基于 JAX 的计算机视觉研究库，提供注意力机制、Transformer 和 Vision Transformer 等模型实现，方便快速搭建和复现视觉研究实验。

一个简洁但完整的全注意力 Transformer 实现，集成了多篇论文中值得尝试的实验性特性，方便研究者快速试验各种注意力变体。

从零手写现代 LLM 的教学项目，逐行注释、用大白话讲解注意力机制与 GPT/Llama 结构，适合想搞懂大模型内部原理的人边看边练。

用 PyTorch 复现 DeepMind AlphaFold 3 的蛋白质结构预测模型，包含注意力机制与去噪扩散模块，方便研究和二次开发。

在神经网络层面实时干预基础模型的输出，用 PyTorch 和 Jupyter Notebook 做液态神经网络与注意力机制的可视化微调实验。

用 PyTorch 复现注意力、分类、目标检测、关键点检测等经典 CV 论文的代码合集，适合照着跑通并理解各类视觉模型的实现细节。

统一序列并行注意力实现，把 Ulysses 和 Ring Attention 混合成 2D 并行，让长上下文 Transformer 训练和推理能扩展到超长序列。

FasterViT 是 NVIDIA 提出的高效视觉主干网络，通过分层注意力机制在 ImageNet 分类、COCO 检测和 ADE20K 分割上兼顾精度与推理速度。

整理大模型与多模态推理加速论文和配套代码的资源清单，涵盖 Flash-Attention、Paged-Attention、低比特量化与并行策略等方向，方便快速定位和复现关键技术。