基于 PyTorch 的目标检测工具箱与基准库，集成了 Faster R-CNN、DETR、Grounding DINO 等主流模型，方便训练、评测和复现检测与分割算法。

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。

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。

基于 PyTorch 的度量学习库，提供对比损失、难例挖掘、采样器和检索指标，用来训练和评估相似度搜索所需的嵌入向量。

基于 PyTorch 的激光雷达 3D 目标检测工具箱，统一了 PointPillar、PV-RCNN 等主流点云检测模型的训练与评测流程，省去自己搭框架的麻烦。

开源大模型微调工具箱，支持 LoRA 等参数高效微调，还能做消融实验和单元测试，方便快速验证 Llama2、Mistral、Falcon 等模型在分类任务上的效果。

自动化调整大模型对齐行为的工具，支持直接干预、LoRA 和 MoE 专家级消融，并用 Optuna 多目标搜索调参。