我们相信：扎根于数学与物理越深，越能将成果与世界分享。
把 LLM 训练 · 新架构研究 · FPGA NPU 综合连成一条流水线 —— 将深度研究以 CLI 与开源形式对外公开的全栈 AI 实验室。
公开 3 款：EulerForge（训练）· EulerStack（架构研究）· EulerNPU（FPGA NPU）。
无需昂贵的云端 GPU — 把你手上的模型训练为 MoE 结构。
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
用 一份 YAML 定义 LLM 架构的声明式语言。超越汇编器，作为可对 cortical column · neural differentiation · tissue 等新结构假设 无需改动代码即可 ablation 的 研究框架 —— 可在模型结构层面直接探究 推理（reasoning）的早期出现 · 抽象加速 · 世界知识与推理/抽象的独立发展 等假设，把 frontier LLM 研究的重心从资本规模转向结构设计。
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）。
在更少的数据下也能出现推理能力。直接实验"结构成为数据效率的函数"这一假设。
抽象与推理不再在同一层中相互争夺。受皮质层级结构启发，两种能力得以独立成长。
如果世界知识与推理 · 抽象能力可以分开培养，LLM 研究的重心就从资本转向设计。
DS-CNN + GRU INT8 全图 NPU IP。11/11 精度 · CPU 比 8.07× 加速（3.17 ms/推理）。
仅 FFN 块卸载至 NPU 的混合构型。CPU↔NPU 文本 5/5 比特一致 —— Zynq-7000 级 FPGA 上的 LLM 部分推理实证。
spec → compile → bitstream → 实 FPGA —— 一以贯之地验证的 3 款 NPU 实测结果。
构建在已公开三款产品（Forge · Stack · NPU）之上的数据 · 代理 · 机器人学习产品线即将加入。
弥合原始数据集与生产级训练之间间隙的数据处理系统。本地 LLM 数据画像、自动生成领域过滤器、PPL/MinHash 指标、1-GPU LoRA/MoE 缩放验证、GPU 与云成本估算、MLOps 集成。
基于 8 步状态机 + HITL 审批的本地优先代理。提供 Pattern/Graph 编排器、RAG、长期记忆（SQLite）、MCP 集成、30+ CLI，以及构建在确定性 shell 门控节点之上的自愈式编码代理（code.dev_loop.v2）。
模仿学习（IL）+ FastTD3 强化学习（RL）的 RL→IL 管线。首发公开 2 个域 = 汽车（EulerDrive，CARLA 验证）· 人形机器人（EulerWalk，RL→IL loco-manip）。统一 8 域模式，Domain Plugin 扩展。
扎根于数学、物理与人文学科的核心 AI 技术研究与传播的全栈 AI 实验室。
名字 欧拉与，是数学之父 欧拉 (Leonhard Euler) 与韩语 "와 (wa)"（意为"与 / 一起"）的结合。公司名字的两半，恰好对应理念的两个词。
Deep Roots —— 像欧拉一样。不追逐潮流，从数学与物理的基础深入扎根。欧拉与的每一款产品，都立足于这一根基之上。
Open Horizons —— 像 "와 (with)" 一样。正如欧拉一生毫无保留地分享知识，我们也将研究成果以开源形式开放，让所有人都能站在 同等的起点 上。而这些技术所指向的地平线，会持续向外延伸。
EulerNPU 做推理芯片，EulerStack·Forge 做智能结构，EulerAtlas 做物理行为学习，EulerAgent 做自主编排。各自独立，但都指向同一个方向 —— 能够自主理解并照护物理世界的智能。
首站是 海洋。与供电驳船联动、同时覆盖水面 · 水下 · 空中的自主综合体 —— 海洋垃圾回收、鱼类时空分布映射与捕捞计划生成、航行安全监视、海洋生态数据积累。水面船舶 · 潜水器 · 飞行器作为一个智能系统立体观察并照护海洋 —— 这是欧拉与正在准备的首个物理应用。
在同一技术基础上，视野延伸得更远。近地轨道环境的监视与保护，本质上与今天的海洋生态监视是同一个问题。更远的太空航行需要不同层级的自主性与推进技术，而不放弃这个方向，是欧拉与的长期计划。根扎得越深，地平线就看得越远。
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。
深色: 当前公开 · 浅色: 准备中