Base de datos de embeddings de código abierto para aplicaciones de IA, que almacena documentos y vectores para habilitar búsquedas semánticas, híbridas y de texto completo.
29,5 mil2,6 milRustApache-2.0Actualizado hace 21 horas
SakanaAI/QD-Rec
Código de investigación de QD-Rec, un método de diversidad de calidad que evoluciona un archivo de pares de elementos e hipótesis para generar recomendaciones diversas.
- Estrellas
- 13
- Forks
- 0
- Issues abiertos
- 0
- Último commit
- anteayer
¿Qué es?
QD-Rec es la implementación de referencia de un método de recomendación presentado en un artículo de investigación. Mantiene un archivo de pares, cada uno formado por un elemento de un conjunto fijo y una hipótesis en lenguaje natural que explica por qué ese elemento es adecuado para un usuario. Los nuevos pares se admiten con una regla que prioriza la novedad y compiten localmente con entradas similares; los elementos se seleccionan mediante un bandit contextual que tiene en cuenta la diversidad.
El repositorio incluye cuatro aplicaciones de ejemplo: encontrar clientes potenciales a partir de datos públicos sobre personas, recomendar libros del subconjunto infantil de Goodreads, descubrir artículos académicos relevantes a partir de listas de trabajos aceptados en conferencias e identificar posibles objetivos de fusiones y adquisiciones a partir de una tabla de empresas. Cada aplicación incluye scripts para descargar datos, generar embeddings e inicializar el sistema, además de un panel para consultar los archivos en el navegador. El código ejecuta todos los modelos mediante OpenRouter, por lo que basta con una clave de API para el generador de propuestas, el evaluador y los embeddings.
El proyecto también incluye scripts para las ablaciones Novelty y Novelty+Evo utilizadas en las comparaciones del artículo. Los desarrolladores pueden adaptar el código a su propio dominio proporcionando un conjunto de elementos de texto y un perfil para el que generar recomendaciones.
Funciones clave
- 01Mantiene un archivo de pares de elementos e hipótesis, con admisión que prioriza la novedad y competencia local.
- 02Selecciona elementos mediante un bandit contextual que tiene en cuenta la diversidad.
- 03Incluye cuatro dominios de ejemplo: clientes, libros, artículos y objetivos de fusiones y adquisiciones.
- 04Ejecuta todos los modelos, incluidos el generador de propuestas, el evaluador y los embeddings, mediante OpenRouter con una sola clave de API.
- 05Ofrece un panel web para consultar los archivos guardados.
- 06Incluye los métodos de ablación Novelty y Novelty+Evo para realizar comparaciones.
Casos de uso
- Investigadores que reproducen o amplían los experimentos del artículo sobre QD-Rec.
- Equipos que crean prototipos de recomendaciones diversas sobre un catálogo fijo de elementos con justificaciones redactadas por un LLM.
- Encontrar artículos relevantes describiendo los intereses de investigación en un perfil.
- Adaptar el flujo de trabajo a un dominio personalizado con elementos descritos mediante texto.
Inicio rápido
- 1
Instala las dependencias con uv
uv sync - 2
Crea el archivo .env y añade OPENROUTER_API_KEY
cp .env.example .env - 3
Descarga las personas y, después, crea los embeddings y carga los datos iniciales en el archivo usando los comandos que indica el README para esos pasos
- 4
Ejecuta QD-Rec con 100 evaluaciones en el dominio Customers
uv run python -m apps.customers.qd_rec --profile SkillForge --iterations 100
Antes de usarlo
- Todas las llamadas a modelos pasan por OpenRouter, así que necesitas una clave de API de pago para ejecutarlo.
- Es código de investigación publicado junto con un artículo, así que la configuración puede estar menos pulida que la de una herramienta empaquetada.
Temas
Preguntas frecuentes
- ¿Qué es QD-Rec?
- Código de investigación de QD-Rec, un método de diversidad de calidad que evoluciona un archivo de pares de elementos e hipótesis para generar recomendaciones diversas. QD-Rec es la implementación de referencia de un método de recomendación presentado en un artículo de investigación. Mantiene un archivo de pares, cada uno formado por un elemento de un conjunto fijo y una hipótesis en lenguaje natural que explica por qué ese elemento es adecuado para un usuario. Los nuevos pares se admiten con una regla que prioriza la novedad y compiten localmente con entradas similares; los elementos se seleccionan mediante un bandit contextual que tiene en cuenta la diversidad.
- ¿QD-Rec es gratuito? ¿Qué licencia tiene?
- QD-Rec es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿QD-Rec sigue mantenido?
- Mantenimiento activo. El último commit de QD-Rec fue el 19 oct 2026.
- ¿Para qué puedo usar QD-Rec?
- Investigadores que reproducen o amplían los experimentos del artículo sobre QD-Rec. Equipos que crean prototipos de recomendaciones diversas sobre un catálogo fijo de elementos con justificaciones redactadas por un LLM. Encontrar artículos relevantes describiendo los intereses de investigación en un perfil. Adaptar el flujo de trabajo a un dominio personalizado con elementos descritos mediante texto.
- ¿Cómo se instala QD-Rec?
- Instala las dependencias con uv: uv sync Crea el archivo .env y añade OPENROUTER_API_KEY: cp .env.example .env Descarga las personas y, después, crea los embeddings y carga los datos iniciales en el archivo usando los comandos que indica el README para esos pasos Ejecuta QD-Rec con 100 evaluaciones en el dominio Customers: uv run python -m apps.customers.qd_rec --profile SkillForge --iterations 100
- ¿Dónde consigo QD-Rec?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/SakanaAI/QD-Rec
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Framework de agentes LLM de Microsoft que automatiza tareas de I+D basadas en datos, como leer artículos, implementar modelos y factores, y ejecutar experimentos al estilo de Kaggle.
15 mil2,1 milPythonMITActualizado hace 4 días
Herramienta de línea de comandos y biblioteca de Python para ejecutar prompts y chats con modelos de lenguaje grandes, remotos o instalados localmente.
12,6 mil1,1 milPythonApache-2.0Actualizado anteayer
Toolkit de recuperación de BAAI con modelos de embeddings y reranking BGE, además de herramientas de entrenamiento, evaluación y tutoriales para búsqueda y RAG.
12,3 mil1,1 milPythonMITActualizado hace 2 meses
Biblioteca cliente oficial de Python para usar los modelos locales y en la nube de Ollama mediante APIs de chat, generación, embeddings y gestión de modelos.
10,6 mil1,2 milPythonMITActualizado hace 4 días
Herramienta de RAG agéntico que responde preguntas sobre artículos científicos y otros documentos, con citas en el texto.
9,4 mil944PythonApache-2.0Actualizado hace 7 días