| 动态 | 论文 | 资源 |
感谢大家对
Jittor的关注，下面是目前Jittor的一些优质资源。如有疑问，可以在Github提Issue、或者通过Email：jittor@qq.com联系我们。欢迎大家使用Jittor进行科学研究工作。
Bee：解锁高级完全开源MLLM的高质量语料库与全栈套件
Bee项目致力于解决开源多模态大模型（MLLM）中高质量监督微调（SFT）数据匮乏的关键问题。该工作开源了三大核心资源：1) Honey-Data-15M：包含约1500万个QA对的SFT数据集，经过多重清洗并采用了创新的双层（短/长）思维链（CoT）增强策略，以提升模型的复杂推理能力；2) HoneyPipe：一套透明且可复现的数据清洗与合成流水线（基于DataStudio框架），涵盖了去噪、去重及CoT生成等全流程；3) Bee-8B：基于该数据集训练的8B模型，在多项基准测试中刷新了完全开源模型的SOTA，并在数学和推理任务上展现出媲美InternVL3.5-8B等半开源模型的性能。
计图高斯库JGaussian
计图高斯库基于计图深度学习框架(Jittor)开发，不仅拓展了高斯泼溅在几何建模、可控编辑与风格生成等方面的应用，也提供了统一的算法接口与高效的训练框架，降低了高斯泼溅方法的复用门槛。计图高斯库算法包括高斯分布优化、高斯网、一般物体材质编辑与重光照、实时人脸重打光和风格编辑五个功能，可在智能驾驶、数字人建模、虚拟现实等领域应用。《基于计图的可视媒体分析与生成方法》获得“2025年度CCF-CAD&CG优秀图形开源软件”奖，计图高斯库为该项成果的主要组成部分。
计图遥感检测库
JDet是基于Jittor的遥感目标检测算法库。JDet目前提供了4个主流遥感目标检测：S2ANet、Gliding、RetinaNet和Faster R-CNN，其他主流模型陆续添加中。JDet集成了中科星图杯的“高分辨率可见光图像中多类目标细粒度检测识别”比赛的数据集处理打包工具，可以一键训练+测试+生成可在比赛中提交的结果。欢迎大家使用JDet！
计图可微渲染库
可微渲染是近些年计算机视觉领域逐渐兴起的方向之一，通过计算渲染过程的导数，使得从单张图片学习三维结构逐渐成为现实。可微渲染目前被广泛地应用于三维重建，同时在人体重建、人脸重建、三维属性估计等应用。目前，Jrender已经支持可微表面渲染和可微体渲染特性。其中可微表面渲染支持N3MR和SoftRas两种算法，我们对这两个算法与PyTorch进行了渲染速度的对比，渲染速度分别是PyTorch的10.53倍和4.09倍。可微体渲染支持Raymarching算法，渲染速度是Pytorch版本的1.9-2.3倍（不同数据集）。我们为大家提供了8个教程对JRender进行熟悉和学习，其中包括6个基础教程和3个进阶教程。上面展示了部分渲染结果。
计图点云模型库
点云数据的获取与处理是图形学和三维视觉中的重要问题，在测绘、自动驾驶等方面有着广泛的应用。由于其巨大的应用场景，近年来，点云处理引起了相关技术人员的广泛关注，涌现了一批非常出色的工作。计图框架本次发布的点云模型库包括几种最有影响力的模型：PointNet、PointNet++、PointCNN、DGCNN 和PointConv ，支持分类和分割。PointNet++ 和 PointCNN模型训练速度比Pytorch提升一倍以上。
计图语义分割模型库
语义分割是计算机视觉中的基础任务之一。如图所示，其目标是从像素的角度来理解图片，对原图中的每个像素都进行类别标注。语义分割是众多算法如人脸解析、视频语义分割等算法的基础。同时，语义分割在无人驾驶、智能编辑、智能农业、虚拟现实等方面有着广泛的应用。继5月30日发布GAN模型库之后，计图平台进一步发布语义分割模型库，加强对视觉任务的支持。目前，Jittor已经支持了目前主流的语义分割算法。其中包含了三种经典的 Backbone ，以及六种常见的分割模型。所发布模型的训练速度相比于 Pytorch 均有所提升。
计图实例分割模型库
Jittor 实例分割模型库一共包含了6种Backbone，和11类检测分割模型，包含最经典的Mask RCNN系列，实时实例分割网络以及人体分割网络等等。经过我们多次测试，所有模型的推理速度都比Pytorch都要快，其中最快的比Pytorch快30%左右。使用我们的实例分割模型库，不仅可以方便的使用多类模型作为Baseline，而且正是由于Jittor的高性能，能够使研究效率有较大的提升。
计图GAN模型库
Jittor GAN模型库一共包括了从2014到2019最主流的27种GAN模型。这27个GAN总计被引用60953次，每篇文章平均引用次数为2176。我们经过严谨的测试看出，所有Jittor模型的训练速度都比Pytorch快。 在这些模型中，最快的是PyTorch的3.83倍，最慢的是PyTorch的1.27倍，平均为PyTorch的2.26倍。这意味着假设Pytorch平均需要训练100个小时，那么Jittor只需训练50.04（100 / 2.26）个小时。 因此，使用我们的模型库可以大大提高研究人员的研究效率。