MindPipe 是模型训练领域的开源项目，由 MAC-AutoML 开发，是 2026 年新上线的项目。
它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 7。
项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-11。本地部署，完全免费。
它主要面向的使用场景是：在昇腾NPU上部署大模型，需降低显存占用。同类可对比的替代方案包括 llm-compressor、AutoGPTQ、TensorRT-LLM。
MindPipe
一键压缩大模型，让 LLM 在 NVIDIA 和昇腾上跑得更快更省显存。
MindPipe 是一个面向大语言模型（LLM）和多模态大模型（LVLM）的模型压缩框架，专门适配 NVIDIA GPU 和华为昇腾 NPU。它解决的是大模型在部署时面临的显存占用高、推理速度慢、硬件适配难等核心问题，提供量化、剪枝、蒸馏等主流压缩技术，帮助开发者在保持模型性能的前提下显著减小模型体积、提升推理效率。其核心能力包括：支持多种压缩算法、跨硬件平台（NVIDIA/昇腾）无缝切换、与主流模型库（如 Transformers）集成友好，以及自动化的压缩流程管理。对于需要将大模型落地到实际业务或边缘设备的团队，MindPipe 提供了一站式的模型瘦身方案，降低部署门槛和成本。
开源
free
开源模型
GitHub 星标
★ 7
维护状态
较活跃
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队MAC-AutoML
所属国家
定价模式free
价格说明开源框架，本地部署，完全免费
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型
GitHub 星标★ 7
30天Star增速
HF 下载量
上线时间2026-08-15 00:00:00
最近更新2026-09-11 00:00:00
维护状态较活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数6
使用教程
核心亮点
- 同时支持 NVIDIA GPU 和华为昇腾 NPU，覆盖国产化部署需求
- 集成量化、剪枝、蒸馏多种压缩算法，可灵活组合使用
- 与 HuggingFace Transformers 生态兼容，上手成本低
不足之处
- 项目较新，文档和社区生态仍在建设中
- 压缩后模型精度损失的控制策略需用户自行调参，自动化程度有限
适用场景
- 在昇腾 NPU 上部署大模型，需降低显存占用
- 将大模型压缩至可接受体积，用于边缘设备或私有化部署
- 多模态模型推理加速，提升响应速度
替代项目
llm-compressor、AutoGPTQ、TensorRT-LLM
项目介绍
同类项目推荐
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···