Home Progetti cube-studio
cube-studio

cube-studio

di tencentmusic · GitHub

cube studio è una piattaforma AI cloud-native open source one-stop per machine learning/deep learning/grandi modelli, flusso completo di algoritmi MLOps, piattaforma di noleggio di potenza di calcolo, sviluppo online di notebook, orchestrazione di flussi di lavoro pipeline drag-and-drop, addestramento distribuito multi-macchina e multi-GPU, ricerca di iperparametri, servizi di inferenza VGPU virtualizzati, edge computing, piattaforma di annotazione automatizzata, deepseek e altro per il fine-tuning di grandi modelli SFT/modelli di ricompensa/addestramento di apprendimento rinforzato, inferenza multi-macchina per vllm/ollama/mindie, repository di conoscenza privato, mercato di modelli AI, supporto per CPU/GPU/NPU domestici, ecosistema Ascend, supporto per RDMA, supporto per pytorch/tf/mxnet/deepspeed/paddl

Visualizza su GitHub
In parole semplici

Utilizza una piattaforma basata su cloud per progetti di machine learning e deep learning con strumenti per l'addestramento e lo sviluppo.

⭐ Stelle
🍴 Fork
🔥 Tendenze
📜 Licenza
Licenza non specificata
📅 Creato
🔄 Ultimo commit
🏷️ Categoria
🖥️ Auto-ospitato
Probabile
Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
cube-studio — GitHub preview card
📈 Storia delle stelle
5.08k5.06k
2026-07-042026-07-29
📈 Segui cube-studio

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

cube studio è una piattaforma AI cloud-native open source one-stop per machine learning/deep learning/grandi modelli, flusso completo di algoritmi MLOps, piattaforma di noleggio di potenza di calcolo, sviluppo online di notebook, orchestrazione di flussi di lavoro pipeline drag-and-drop, addestramento distribuito multi-macchina e multi-GPU, ricerca di iperparametri, servizi di inferenza VGPU virtualizzati, edge computing, piattaforma di annotazione automatizzata, deepseek e altro per il fine-tuning di grandi modelli SFT/modelli di ricompensa/addestramento di apprendimento rinforzato, inferenza multi-macchina per vllm/ollama/mindie, repository di conoscenza privato, mercato di modelli AI, supporto per CPU/GPU/NPU domestici, ecosistema Ascend, supporto per RDMA, supporto per pytorch/tf/mxnet/deepspeed/paddl

cube-studio ha 5.1k stelle su GitHub. È stato forkato 883 volte. È in sviluppo attivo dal 2021. I suoi temi principali sono: ai, aihub, argo, automl.

Frequently asked questions

Che cos'è cube-studio?

cube studio è una piattaforma AI cloud-native open source one-stop per machine learning/deep learning/grandi modelli, flusso completo di algoritmi MLOps, piattaforma di noleggio di potenza di calcolo, sviluppo online di notebook, orchestrazione di flussi di lavoro pipeline drag-and-drop, addestramento distribuito multi-macchina e multi-GPU, ricerca di iperparametri, servizi di inferenza VGPU virtualizzati, edge computing, piattaforma di annotazione automatizzata, deepseek e altro per il fine-tuning di grandi modelli SFT/modelli di ricompensa/addestramento di apprendimento rinforzato, inferenza multi-macchina per vllm/ollama/mindie, repository di conoscenza privato, mercato di modelli AI, supporto per CPU/GPU/NPU domestici, ecosistema Ascend, supporto per RDMA, supporto per pytorch/tf/mxnet/deepspeed/paddl

cube-studio è open source?

cube-studio è un progetto open source.

cube-studio è gratuito?

Sì. cube-studio è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

🏅 Manutentore di questo progetto?
OpenSourceAI badge — cube-studio

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=tencentmusic-cube-studio)](https://opensourceai.tech/project/tencentmusic-cube-studio.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.