✨ 1: s1

s1是一个简单的测试时间缩放方法，能基于1000个示例和预算限制实现强推理性能。

s1（Simple Test-Time Scaling）是一种简单的测试时尺度优化方法，旨在通过仅使用1000个示例和预算强制来实现与o1-preview相匹配的强推理性能。该方法的核心思想是通过在测试阶段进行规模调整，提高模型的推理效果。

s1适用于以下场景：

推理优化：在需要快速高效处理大量数据时，可以使用s1来提高模型的推理效率。 实验和研究：可以作为研究人员探索其他推理架构或优化方法的一部分，以便快速验证其效果。 资源限制：当计算资源有限时，s1可通过强制预算限制来有效利用模型。

地址：https://github.com/simplescaling/s1

✨ 2: R1-V

R1-V项目旨在通过强化学习提升视觉语言模型的泛化能力与训练效率，贡献开源研究。

R1-V是一个针对视觉语言模型（VLM）的研究项目，旨在增强其超泛化能力。该项目主要基于**可验证奖励的强化学习（RLVR）**方法，研究表明，相比传统的链式思维监督微调（CoT-SFT），RLVR在模型的有效性和对分布外（OOD）鲁棒性方面表现更优。通过激励视觉语言模型学习一般化的可视计数能力，避免模型过拟合于训练集，R1-V构建了一个生态高效的视觉语言智能体系。

地址：https://github.com/Deep-Agent/R1-V

✨ 3: deepseek.cpp

deepseek.cpp 是一个基于 C++ 的 CPU-only 推理实现，旨在为 DeepSeek 大语言模型提供支持，专注于简洁性和低硬件需求。

deepseek.cpp 是一个针对 DeepSeek 大型语言模型家族的 CPU-only 推理实现，使用 C++ 语言编写，基于 Yet Another Language Model（YALM）。该项目的目标是为了学习和娱乐。

地址：https://github.com/andrewkchan/deepseek.cpp

✨ 4: Logic Rl

Logic RL是一个基于强化学习的逻辑推理模型，成功在2K逻辑难题数据集上复现DeepSeek R1 Zero。

Logic RL 是一种基于强化学习的逻辑推理模型，成功重现了 DeepSeek R1 Zero 模型，并在 2K 逻辑难题数据集上进行了验证。该模型通过一系列增强特性（如不确定性标记、渐进式总结、自我验证和多语言切换）提高了解题的准确性和可理解性。

地址：https://github.com/Unakar/Logic-RL

✨ 5: OpenHealth

OpenHealth是一个本地运行的AI健康助手，可帮助您管理和理解个人健康数据。

OpenHealth 是一个人工智能健康助手，旨在让用户更好地掌握自己的健康数据。该平台通过安全和本地运行的方式，利用用户个人的健康信息，提供一个私密的助手，帮助用户理解和管理自己的健康。

地址：https://github.com/OpenHealthForAll/open-health

更多AI工具，参考国内AiBard123，Github-AiBard123 公众号：每日AI新工具