Accueil Projets cube-studio
cube-studio

cube-studio

par tencentmusic · GitHub

cube studio est une plateforme AI de machine learning/deep learning/grands modèles cloud-native open-source, chaîne de processus MLOps complète, plateforme de location de puissance de calcul, développement en ligne de notebook, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine multi-carte, recherche d'hyperparamètres, service d'inférence VGPU virtualisé, calcul en périphérie, annotation automatisée de plateforme, fine-tuning de grands modèles comme deepseek/sft/modèle de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, base de connaissances privée, marché de modèles IA, support pour CPU/GPU/NPU domestiques, écosystème Ascend, support RDMA, support pour pytorch/tf/mxnet/deepspeed/paddl

Voir sur GitHub
En termes simples

Utilisez une plateforme cloud pour des projets d'apprentissage automatique et d'apprentissage profond avec des outils pour l'entraînement et le développement.

⭐ Étoiles
🍴 Forks
🔥 Tendances
📜 Licence
Licence non spécifiée
📅 Créé
🔄 Dernier commit
🏷️ Catégorie
🖥️ Auto-hébergeable
Probable
Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
cube-studio — GitHub preview card
📈 Historique des étoiles
5.08k5.06k
2026-07-042026-07-29
📈 Suivez cube-studio

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

cube studio est une plateforme AI de machine learning/deep learning/grands modèles cloud-native open-source, chaîne de processus MLOps complète, plateforme de location de puissance de calcul, développement en ligne de notebook, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine multi-carte, recherche d'hyperparamètres, service d'inférence VGPU virtualisé, calcul en périphérie, annotation automatisée de plateforme, fine-tuning de grands modèles comme deepseek/sft/modèle de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, base de connaissances privée, marché de modèles IA, support pour CPU/GPU/NPU domestiques, écosystème Ascend, support RDMA, support pour pytorch/tf/mxnet/deepspeed/paddl

cube-studio compte 5.1k étoiles sur GitHub. Il a été forké 883 fois. Il est développé activement depuis 2021. Ses principaux thèmes sont : ai, aihub, argo, automl.

Frequently asked questions

Qu'est-ce que cube-studio ?

cube studio est une plateforme AI de machine learning/deep learning/grands modèles cloud-native open-source, chaîne de processus MLOps complète, plateforme de location de puissance de calcul, développement en ligne de notebook, orchestration de flux de tâches par glisser-déposer, entraînement distribué multi-machine multi-carte, recherche d'hyperparamètres, service d'inférence VGPU virtualisé, calcul en périphérie, annotation automatisée de plateforme, fine-tuning de grands modèles comme deepseek/sft/modèle de récompense/apprentissage par renforcement, inférence multi-machine de grands modèles vllm/ollama/mindie, base de connaissances privée, marché de modèles IA, support pour CPU/GPU/NPU domestiques, écosystème Ascend, support RDMA, support pour pytorch/tf/mxnet/deepspeed/paddl

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.

🏅 Mainteneur de ce projet ?
OpenSourceAI badge — cube-studio

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=tencentmusic-cube-studio)](https://opensourceai.tech/project/tencentmusic-cube-studio.html)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.