cube-studio
cubestudio est une plateforme AI open-source cloud-native tout-en-un pour l'apprentissage automatique/deep learning/grands modèles/MaaS/mlops/plateforme d'intelligence artificielle/plateforme d'entraînement et de déploiement, avec un flux de travail complet d'algorithmes, multi-locataires, plateforme de location de puissance de calcul, transfert de token, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine et multi-carte, recherche d'hyperparamètres, service d'inférence, virtualisation VGPU, collaboration cloud-edge, calcul en périphérie, plateforme d'annotation automatisée, ajustement fin de grands modèles comme deepseek/sft/modèles de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, agent de base de connaissances privé llmops, marché de modèles AI, support pour la planification de puissance de calcul hétérogène domestique, Ascend/Cambricon/Huaguang/Moore/Muxi, support pour ib
Apprenez et déployez des modèles d'apprentissage automatique à l'aide d'une plateforme open-source complète.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentcubestudio est une plateforme AI open-source cloud-native tout-en-un pour l'apprentissage automatique/deep learning/grands modèles/MaaS/mlops/plateforme d'intelligence artificielle/plateforme d'entraînement et de déploiement, avec un flux de travail complet d'algorithmes, multi-locataires, plateforme de location de puissance de calcul, transfert de token, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine et multi-carte, recherche d'hyperparamètres, service d'inférence, virtualisation VGPU, collaboration cloud-edge, calcul en périphérie, plateforme d'annotation automatisée, ajustement fin de grands modèles comme deepseek/sft/modèles de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, agent de base de connaissances privé llmops, marché de modèles AI, support pour la planification de puissance de calcul hétérogène domestique, Ascend/Cambricon/Huaguang/Moore/Muxi, support pour ib
cube-studio compte 2.4k étoiles sur GitHub. Il a été forké 189 fois. cube-studio est écrit principalement en Python. Il est développé activement depuis 2024. Ses principaux thèmes sont : ai-platform, ascend, automl, cube-studio.
Qu'est-ce que cube-studio ?
cubestudio est une plateforme AI open-source cloud-native tout-en-un pour l'apprentissage automatique/deep learning/grands modèles/MaaS/mlops/plateforme d'intelligence artificielle/plateforme d'entraînement et de déploiement, avec un flux de travail complet d'algorithmes, multi-locataires, plateforme de location de puissance de calcul, transfert de token, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine et multi-carte, recherche d'hyperparamètres, service d'inférence, virtualisation VGPU, collaboration cloud-edge, calcul en périphérie, plateforme d'annotation automatisée, ajustement fin de grands modèles comme deepseek/sft/modèles de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, agent de base de connaissances privé llmops, marché de modèles AI, support pour la planification de puissance de calcul hétérogène domestique, Ascend/Cambricon/Huaguang/Moore/Muxi, support pour ib
cube-studio est-il open source ?
cube-studio est un projet open source.
cube-studio est-il gratuit ?
Oui. cube-studio est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Dans quel langage cube-studio est-il écrit ?
cube-studio est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://opensourceai.tech/project/data-infra-cube-studio.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.