#fine-tuning Repositories
Insgesamt 144 Repositories
Developer Asset Hub für NVIDIA Nemotron — Eine All-in-One-Ressource für Trainingsrezepte, Anwendungskochbücher, Datensätze und vollständige End‑to‑End-Referenzbeispiele zum Erstellen mit Nemotron-Modellen.
Eine einheitliche Orchestrierungsschicht für heterogene KI-Rechenressourcen. Sie standardisiert die Verwaltung von Rechenressourcen sowie die Ausführung von Training und Inferenz in GPU-Clouds, Kubernetes, virtuellen Maschinen oder Bare-Metal-Clustern.
Offizielles Repository von 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Rezepte zum Verkleinern, Optimieren und Anpassen von hochmodernen Bildmodellen. 💜
Ein Repository, das Modelle, Datensätze und Fine-Tuning-Techniken für DB-GPT enthält, mit dem Ziel, die Modellleistung in Text-zu-SQL zu verbessern
Custom Diffusion: Multi-Konzept-Anpassung von Text-zu-Bild-Diffusion (CVPR 2023)
Ein JAX-Toolkit für das Erstellen, Bearbeiten und Visualisieren von neuronalen Netzen.
[ICLR 2025] LongWriter: Freisetzung von über 10.000 Wörtern aus LLMs mit langem Kontext
Ein umfassender Leitfaden zum Erstellen von RAG-basierten LLM-Anwendungen für die Produktion.
Synthetische Datenkuratur für Post-Training und die Extraktion strukturierter Daten
Eine Sammlung von über 500 realen ML- und LLM-Systemdesign-Fallstudien von über 100 Unternehmen. Erfahren Sie, wie Top-Tech-Unternehmen GenAI in der Produktion implementieren.
Anpassung von Metas KI 'Segment Anything' an nachgelagerte Aufgaben mit Adaptern und Prompts
Forschung zur DeepSeek-Engram-Architektur basierend auf Qwen-3 und der Stable-Diffusion-Serie.
Eine Benutzeroberfläche, die in Pyside6 erstellt wurde, um das Trainieren von LoRA/LoCon und anderen LoRA-Modellen in sd-scripts zu vereinfachen
Hypernetzwerke, die LLMs für spezifische Benchmark-Aufgaben unter ausschließlicher Verwendung der textlichen Aufgabenbeschreibung als Eingabe anpassen
Code für unser EMNLP 2023 Paper: "LLM-Adapters: Eine Adapterfamilie für das parameter-effiziente Fine-Tuning von Large Language Models"
Kimi-VL: Mixture-of-Experts Vision-Language Model für multimodales Schlussfolgern, Langkontext-Verständnis und starke Agentenfähigkeiten
Eine Sammlung von Notebooks/Rezepten, die Anwendungsfälle von Open-Source-Modellen mit Together AI demonstrieren.
Vollständiges Algorithmus-Tutorial von NLP bis LLM, Online-Leseadresse: https://datawhalechina.github.io/base-llm/
[NeurIPS 2023] MeZO: Fine-Tuning Language Models with Just Forward Passes. https://arxiv.org/abs/2305.17333
Allegro ist ein leistungsstarkes Text-zu-Video-Modell, das aus einfachen Texteingaben Videos von bis zu 6 Sekunden Länge mit 15 Bildern pro Sekunde und einer Auflösung von 720p generiert.
DataDreamer: Anweisung. Synthetische Daten generieren. Modelle trainieren und ausrichten. 🤖💤
Ressourcen, Beispiele und Tutorials für multimodale KI, RAG und Agenten mit Vektorsuche und LLMs
Ein umfassender Leitfaden, der Ihnen hilft, Ihre LLM-Fähigkeiten 2026 zu starten und zu verbessern, auch wenn Sie wenig Erfahrung auf dem Gebiet haben, und die neuesten Nachrichten sowie modernste Techniken zu verfolgen!
Mamba-Chat: Ein Chat-LLM basierend auf der Zustandsraummodell-Architektur 🐍
Offene multimodale Entscheidungsmodelle mit 0,8B bis 27B Parametern für Text, Bilder und Videos. Treffen Sie Entscheidungen anhand von Wahrscheinlichkeiten für eigene Kandidaten und lokalisieren Sie Objekte mit Begrenzungsrahmen, statt Text zu generieren. Kostenlose API, ONNX, GGUF, vLLM und SGLang; Fine-Tuning-Code enthalten.
Hochwertige Synthetika in einer einzigen Pipeline generieren, trainieren, messen und bewerten
Trainieren und bedienen Sie LLMs mit extremer Geschwindigkeit und enormem Durchsatz.
Offizielles Repository meines Buches "Ein praktischer Leitfaden zum Feinabstimmen von LLMs mit PyTorch und Hugging Face"
Toolkit zum Feinabstimmen, Ablenken und Unit-Testen von Open-Source-LLMs.
Halo ist ein von White Circle entwickeltes Open-Source-Framework zum Trainieren großer Sprachmodelle und multimodaler Modelle