不生成文字，用嵌入链提前预判大模型输出质量
Chain-of-Embedding 是 ICLR 2025 论文的官方代码与数据仓库，提出了一种无需生成输出即可让大语言模型进行自我评估的方法。它利用潜在空间中的嵌入链（Chain-of-Embedding），通过分析模型内部表示的变化来预测输出质量，从而在生成前或生成中早期发现问题，节省推理成本。核心能力包括：构建嵌入链、训练评估器、支持多种任务（如问答、摘要）的质量预估。该项目解决了传统自评估依赖生成完整文本、计算开销大的痛点，为高效模型监控和自适应生成提供了新思路。
SelfCheckGPT、GPT-4 Self-Evaluation、LLM-as-a-Judge
Chain-of-Embedding 是模型训练领域的开源项目，由 Alsace08 开发，2024 年首次发布。
它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 105。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-16。Apache-2.0许可证，代码和数据仓库，可自由使用，无付费版本。
它主要面向的使用场景是：大模型推理时的质量监控与早停。同类可对比的替代方案包括 SelfCheckGPT、GPT-4 Self-Evaluation、LLM-as-a-Judge。
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···
