Eulerwa Inc. 将AI开发的每一层——从模型训练到硬件加速再到自主代理——通过CLI和开源公开。
训练的EulerForge，模型设计的EulerStack，数据的EulerWeave，执行的EulerAgent，硬件的EulerNPU，机器人学习的EulerAtlas。
面向研究的 LLM 微调框架，可向 HuggingFace 模型注入 LoRA，并把 Dense 模型作为 Mixture LoRA · MoE Expert LoRA 结构来训练。在常见的 Dense SFT 流程之上，EulerForge 叠加了 Dense → MoE 转换与阶段调度，让研究者在有限的 GPU 预算下，可复现地研究路由、专家特化与 MoE 稳定性。一份 YAML 预设就可以把 SFT → DPO/ORPO → RM → PPO 一路贯通。
EulerForge 把 "Dense → MoE" 的研究流程以标准化的方式整合在一起，让实验可以通过配置来表达，而不必改动胶水代码。
mixture_lora / moe_expert_lora 一键开启| 注入策略 | Dense LoRA · Mixture LoRA · MoE Expert LoRA · Native MoE Expert LoRA |
|---|---|
| 训练类型 | SFT · DPO · ORPO · RM · PPO |
| 支持骨干 | Qwen2/3 · Llama 2/3 · Gemma 3 · Gemma 4 (dense+MoE) · Mixtral |
| 量化训练 | nf4 / int4 / int8 (bitsandbytes) |
| 附加 | HF Export · Optuna Grid/Bayes 搜索 · 集成基准测试 · 5 语言 CLI |
内置 24 篇 KO/EN 教程 + 完整 CLI 参考
EulerStack 是面向 LLM 的架构描述语言 (Architecture Description Language)。它把结构、训练、服务纠缠在一起的 PyTorch 模型文件中"架构"这一维剥离出来，交给一门专门的声明式语言来表达 —— 与半导体产业用 Verilog/VHDL 取代 schematics+C 的抽象化同方向。一份 YAML 规格经 5 层管线（DSL → Schema → IR → Compiler → CLI）落地为 HuggingFace PreTrainedModel（config.json + model.safetensors），EulerForge 可直接读取用于训练。
按 v1 "产业排序原则"组织：已验证产业标准 → 近期混合/MoE → v1 实验性原语。24 个 llm_（5 规模 × 4–5 变体，含 MLA）+ 33 个 arch_（beginner 2 · intermediate 3 · advanced 5 · expert 23，其中 *_mini 9 个）。可以在 arch 级别实验 MLA、MoD、Titans、Dual-Stream 等 Phase B 原语。
| 混合器 | Attention · Mamba · RetNet · Hyena |
|---|---|
| FFN | MLP · Gated MLP (SwiGLU) · MoE (top-k 路由) |
| 技能等级走读 | beginner(GPT-2/Llama) · intermediate(Mistral/Gemma2/Qwen) · advanced(Jamba/Samba/RetNet) · expert(MoE × 混合器 × depth/receptive-field 三维设计空间) |
| 编译目标 | HuggingFace 模型目录 或 JSON 运行时配置 |
结构校验 → 跨字段兼容性 → 现实性启发式的三段式校验，在编译前拦截设计错误。所有 CLI 消息支持 5 种语言（ko/en/zh/ja/es）。v0.1.5 以向后兼容的规格扩展方式新增了 μP 缩放、分化辅助目标与 tissue 组织声明（既有 YAML 无需修改即可使用）。
为研究人员和开发者设计，在本地环境中精炼和分析数据。
从单GPU扩展到集群级别的业务关键功能。
本地优先（Local-first）的代理框架，具备 8 步状态机（RUN_CREATED → CONTEXT → PLAN → PROPOSE → APPROVE → EXECUTE → RESULT → FINALIZED）、Pattern/Graph 编排器、RAG 管线、长期记忆（SQLite）、MCP 集成、插件系统、30+ 个 CLI 命令以及 65 个 fixture。它在以代码（而非 LLM）执行验证的确定性门控节点（kind: shell）之上，提供能自行编写、测试并修复代码的自愈式编码代理（code.dev_loop.v2）。
代理的每一个行动都经过 8 步状态机，并在人工审批（HITL）之后执行。借助 Pattern Orchestrator（基于 YAML 的 12 个规范模式 + LLM·判定·确定性 shell 门控节点）与 Graph Orchestrator（LangGraph 并行执行）来掌控复杂工作流。通过边界内自动审批（node.auto_approve）和符号门控（symbol_check）可自主运行 fix→test 循环。
为希望获得自主功能但不牺牲控制力和安全性的开发者而构建。
把算子图（spec.yaml）以 138 个算子（17 组）组装，经校验与编译（.npuart）后，在主机 CPU 参考、功能性 NPU 仿真器，以及 Zynq-7000（XC7Z020）·Zynq UltraScale+（ZU3EG/ZU9EG）FPGA 上运行的 NPU 推理合成栈。提供 INT4/INT8 量化、10 种 dtype、4 个后端、15 个 CLI 子命令。可在产品页查看人形机器人大脑 SoC（Project 3）的仿真演示。
了解更多支持 138 个算子（17 组，A–Q）、10 种 dtype，并将 spec.yaml 编译为 .npuart 工件。
| 算子 | 138 个（Core Math, Activation, Normalization, Conv/Vision, Sequence/Attention, Efficient Attention(Flash/Sliding/GQA), MoE/Sparse, Recurrent, Graph, Multimodal, Vision Encoder, Diffusion, Speculative Decoding, Quantization, Mamba/SSM, Cache Compress, Autonomy） |
|---|---|
| DType | fp32, int32, fp16, bf16, int8, uint8, int16, int4, fp8_e4m3, fp8_e5m2 —— 支持 INT4 权重量化 |
| 目标 | Zynq-7000 (XC7Z020) · Zynq UltraScale+ (ZU3EG, ZU9EG) FPGA |
validate, compile, run, sim, profile, explain, quantize, migrate-spec, generate, board smoke, calibrate, benchmark, replay, compress-cache 等 15 个子命令。后端：cpu_ref · npu_sim · zynq_ps · zynq_pl_stub。
这是一个运行在结合了模仿学习（IL）与 FastTD3 强化学习（RL）的 RL→IL 管线之上、基于插件的 CLI 机器人行为学习框架。最先公开的两大旗舰域是 汽车（EulerDrive —— BEV 自动驾驶，CARLA 验证）和 人形机器人（EulerWalk —— RL→IL loco-manipulation），两个域均随附预训练模型，无需训练即可直接运行。统一模式设计用于覆盖汽车、无人机、人形机器人、机器狗、移动操作、物流、农业、造船等 8 个域，而各个域则以插件形式持续扩展。
了解更多每个域拥有固定维度 obs/action 模式，所有模块以一致方式通信。
| 经典 (01–04) | 汽车 4/2 · 无人机 6/3 · 人形机器人 33/14 (loco-manip) · 机器狗 12/8 |
|---|---|
| 工业 (05–08) | 移动操作 18/8 · 仓储 AGV 14/4 · 农业机器人 16/6 · 造船厂 20/9 |
| 策略模型 | BC-MLP, BC-RNN, BC-CNN, ACT, Diffusion Policy + SOTA(BEVFuser, TemporalTransformer, WholeBodyACT) + RL Actor |
| 级别 | L0 Toy · L1 Intermediate · L2 Advanced（实际后端：CARLA/MuJoCo/HumanoidBench） |
新增 train-rl、data collect/generate-demos、sim rollout --render/--save-video。支持 Domain Plugin 架构与边缘部署。
访问专业技术出版物和开源生态系统。
用于数据处理和模型编排的社区工具。
技术为人类而存在
我们反对人工智能的军事自动化。技术应当用于保护生命，而非夺取生命——任何技术成就都不能凌驾于人类安全之上。
人工智能应当成为提升人的尊严、巩固民主价值的工具。我们反对将AI用于压制个人自由或损害民主原则的任何目的。
Eulerwa发布的所有软件、模型和服务均不得用于违反上述原则的用途。我们严肃对待技术使用的责任。