Accueil Projets cube-studio
cube-studio
ai

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

par tencentmusic · GitHub
Étoiles
Forks
Créé
Dernier commit
Catégorie
Probable
Auto-hébergeable
aiaihubargoAuto-hébergeable
Voir sur GitHub
En termes simples

Utilisez une plateforme cloud pour des projets d'apprentissage machine et d'apprentissage profond avec des outils pour la formation et le développement.

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
5.07k5.06k
2026-07-042026-08-31
📈 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 885 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 ?
olud.ai badge — cube-studio

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

[![olud.ai](https://olud.ai/badge.php?tool=tencentmusic-cube-studio)](https://olud.ai/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.