一个名为AD-AutoGPT的新工具，可以通过用户的文本提示自动进行阿尔茨海默病的复杂健康叙事的数据收集、处理和分析。

AD-AutoGPT | #工具

一个在线文本编辑器，可以帮助记者和媒体专业人员实时验证新闻的准确性，提高报道的可信度和可靠性，快速检测有偏见或误导性信息，从而促进细致而可靠的报道，还可以检测由人或聊天机器人(如ChatGPT)创建的任何文本中的错误、偏见、争议和虚假信息。

Factiverse | #编辑器

ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：

更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。

更长的上下文：基于 FlashAttention 技术，将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，开发者会在后续迭代升级中着重进行优化。

更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，推理速度相比初代提升了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。

更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。

快速、免费的Android多语言代码编辑器。该存储库包含项目的完整源代码和构建说明。

Squircle CE | #编辑器

功能强大的开源简历生成器和简历解析器，旨在为每个人提供现代专业的简历设计，使任何人都能自信地申请工作。

OpenResume | github | #简历 #生成器

一个比较实用的笔记插件：Better Notes，需搭配文献管理工具 Zotero 使用。

该插件开箱即用，集成了论文阅读、段落注释、做笔记、元数据分析、知识输出、AI 写作等功能。

插件完全开源、免费，支持双链笔记、Markdown 与标记语言，并深度集成了文献管理与阅读功能。

Zotero Better Notes | #插件

剩下两个
Edu Mail + Gdrive Unlimited + GitHub Education developer pack activated and 6 months of prime video activated $27.5

基于CodeMirror的微型协作Markdown编辑器，支持多个实时文档和光标同步，易于集成，数据持久化，性能优化，适用于各种需求，开发和部署简单。

cm-collab | #编辑器

FreeGPT WebUI：免费的FreeGPT WebUI，无需API密钥的ChatGPT解锁版，提供用户友好的界面。

Danswer：开源企业级问答系统，可以对内部文档进行自然语言提问，并返回可靠的答案、引用和参考资料，可以连接到多种常见工具，如Slack、GitHub和Confluence。Danswer提供直接问答、智能文档检索和AI助手等功能，并支持用户认证和文档级的访问管理，还有一键部署和个性化搜索等特性。

特征💃
由生成式人工智能模型提供支持的直接质量检查，答案由引用和源链接支持。
使用最新的法学硕士进行智能文档检索（语义搜索/重新排名）。
由自定义深度学习模型支持的人工智能助手，用于解释用户意图。
用户身份验证和文档级访问管理。
Slack、GitHub、GoogleDrive、Confluence、本地文件和网页抓取的连接器，未来还会有更多连接器。
管理仪表板用于管理连接器并设置实时更新获取等功能。
一行 Docker Compose（或 Kubernetes）部署可在任何地方托管 Danswer。

即将推出
聊天/对话支持。
支持生成式 AI 模型甚至自托管选项的自定义端点。
用于轻松构建自定义连接器的模板。
个性化搜索

Awesome Codebases：一系列值得探索的优秀开源代码库。

SSLRec是一个基于 PyTorch 的深度学习框架，用于通过自我监督学习技术增强的推荐系统。包含常用的数据集、用于数据处理、训练、测试、评估和最先进的研究模型的代码脚本。 SSLRec提供了大量实用函数和易于使用的界面，简化了推荐模型的开发和评估。

突出特点
🧩灵活的模块化架构。SSLRec 库采用模块化架构，可以轻松定制和组合模块。这使用户能够创建适合其特定需求和要求的个性化推荐模型。

🌟多样化的推荐场景。SSLRec 库是一个多功能工具，适合有兴趣在不同推荐系统研究领域构建有效推荐模型的研究人员和从业者。

💡综合最先进的模型。我们的 SSLRec 框架为各种场景提供了广泛的 SSL 增强推荐模型。研究人员可以使用先进技术评估这些模型，并将其作为推动推荐系统领域创新的基础。

📊统一数据馈送和标准评估协议。SSLRec框架具有统一的数据馈送器和标准评估协议，可以轻松加载和预处理来自各种来源和格式的数据，同时确保对推荐模型的客观和公平评估。

🛠丰富的实用功能。SSLRec 库提供了大量实用函数，可以简化推荐模型的开发和评估。这些功能结合了推荐系统的常见功能以及图操作、网络架构和损失函数的自监督学习。

🤖易于使用的界面。我们提供了一个用户友好的界面，可以简化推荐模型的训练和评估。这使得研究人员和从业者能够轻松高效地试验各种模型和配置。

SSLRec | #框架