#rlhf Repositories
Entdecke 59 aktive Open-Source-GitHub-Repositories, die mit #rlhf getaggt sind und insgesamt 335,276 Sterne gesammelt haben (durchschnittlich 5,682 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist hiyouga/LlamaFactory mit 76,171 Sternen.
Insgesamt 59 Repositories
Vereinheitlichte effiziente Feinabstimmung von über 100 LLMs & VLMs (ACL 2024)
Programmierpraxis-Tutorialserie „Dive into LLMs: Große Sprachmodelle von Grund auf aufbauen“
OpenAssistant ist ein Chat-basierter Assistent, der Aufgaben versteht, mit Drittsystemen interagieren und dynamisch Informationen abrufen kann, um dies zu tun.
Die offizielle GitHub-Seite für die Übersichtsstudie „A Survey of Large Language Models“.
Offizielle Veröffentlichung der InternLM-Reihe (InternLM, InternLM2, InternLM2.5, InternLM3).
Chinesische LLaMA-2 & Alpaca-2 LLMs der zweiten Phase + 64K Super-Long-Context-Modelle (Chinese LLaMA-2 & Alpaca-2 LLMs with 64K long context models)
Implementieren Sie Schritt für Schritt ein Reasoning LLM in PyTorch von Grund auf neu
Robuste Rezepte zur Abstimmung von Sprachmodellen mit menschlichen und KI-Präferenzen
KI-Systeme erstellen, bewerten und optimieren. Umfasst Evals (Bewertungen), RAG, Agenten, Feinabstimmung (Fine-Tuning), Generierung synthetischer Daten, Dataset-Management, MCP und mehr.
Argilla ist ein Kollaborationstool für KI-Ingenieure und Domänenexperten zum Erstellen hochwertiger Datensätze
Die Open‑Source-Forschungsumgebung für KI-Forscher, die es ermöglicht, Modelle nahtlos zu trainieren, zu evaluieren und von lokaler Hardware bis hin zu GPU‑Clustern zu skalieren.
🚀 Ein Open-Source-, praxisorientierter Lehrplan, der die Lücke von grundlegenden RL-Konzepten bis zur LLM-Ausrichtung, RLVR und fortgeschrittenen Agentic-Systemen überbrückt.
Eine kuratierte Liste von Ressourcen zum Bestärkungslernen mit menschlichem Feedback (kontinuierlich aktualisiert)
Distilabel ist ein Framework für synthetische Daten und KI-Feedback für Ingenieure, die schnelle, zuverlässige und skalierbare Pipelines auf der Grundlage verifizierter Forschungsarbeiten benötigen.
Eine effiziente und benutzerfreundliche Skalierungsbibliothek für Reinforcement Learning mit großen Sprachmodellen
Offizielles Repository für „Eureka: Human-Level Reward Design via Coding Large Language Models“ (ICLR 2024)
LeetCode für PyTorch — 65 ML-/KI-Interviewaufgaben aus echten Vorstellungsgesprächen bei Google, Meta und Anthropic. Jupyter-Notebooks, ein automatischer Bewerter und ein MCP-KI-Tutor.
Ein automatischer Evaluator für instruktionsfolgende Sprachmodelle. Vom Menschen validiert, qualitativ hochwertig, günstig und schnell.
[NeurIPS 2023] ImageReward: Lernen und Bewerten menschlicher Präferenzen für die Text-zu-Bild-Generierung
Sichere RLHF: Konzernierte Wertausrichtung durch sicheres Reinforcement Learning aus menschlichem Feedback
Ein skalierbares, agentenorientiertes und HuggingFace-natives RL-Framework für die Forschung (9.000 Zeilen).
Xtreme1 ist eine All-in-One-Plattform für Datenkennzeichnung und -annotation für das Training multimodaler Daten und unterstützt 3D-LiDAR-Punktwolken, Bilder und LLMs.
Atropos ist ein Framework für Language Model Reinforcement Learning Umgebungen zum Sammeln und Bewerten von LLM-Trajektorien in verschiedenen Umgebungen
OpenJudge: Ein einheitlicher Rahmen für ganzheitliche Bewertung und Qualitätsbelohnungen
📖 Eine kuratierte Liste von Ressourcen, die sich der Halluzination von multimodalen großen Sprachmodellen (MLLM) widmen.
LLMs-Tuning ohne Tränen💦; Sample Design Engineering (SDE) für effizienteres Downstream-Tuning.
"AI-Compass" wird der Community die Richtung vorgeben, wie sie im Ozean der KI-Technologien navigiert. Ob Sie Anfänger oder fortgeschrittener Entwickler sind, hier finden Sie Wege zu allen wichtigen KI-Entwicklungen. Ziel ist es, Entwicklern zu helfen, KI’s zentrale Konzepte, Haupttechnologien und Zukunftstrends systematisch zu verstehen und durch Praxis den gesamten Prozess vom Theoriebereich bis hin zur Umsetzung zu beherrschen.
[NeurIPS 2024] SimPO: Simple Preference Optimization with a Reference-Free Reward
Eine kuratierte Sammlung von Papieren, technischen Berichten, Frameworks und Tools für die On-Policy-Destillation (OPD) großer Sprachmodelle
Eine Bibliothek mit erweiterbaren Implementierungen von DPO, KTO, PPO, ORPO und anderen menschenorientierten Verlustfunktionen (HALOs).
Halo ist ein von White Circle entwickeltes Open-Source-Framework zum Trainieren großer Sprachmodelle und multimodaler Modelle
Trinity-RFT ist ein allgemein einsetzbares, flexibles und skalierbares Framework, das für die Verstärkungsfeinabstimmung (RFT) großer Sprachmodelle (LLM) entwickelt wurde.
Eine asynchrone Reinforcement-Learning-Engine für omnimodales Post-Training im großen Maßstab
🌾 OAT: Ein forschungsfreundliches Framework für die Online-Ausrichtung von LLMs, einschließlich Reinforcement Learning, Präferenzlernen usw.
Häufig gestellte Fragen
Welches ist das beliebteste #rlhf-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#rlhf-Projekt auf GitHub ist hiyouga/LlamaFactory mit 76,171 Sternen. Vereinheitlichte effiziente Feinabstimmung von über 100 LLMs & VLMs (ACL 2024)
Welche Programmiersprachen werden in #rlhf-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #rlhf-Projekten auf GitHub sind Python, Jupyter Notebook, HTML, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #rlhf-Repositories berechnet?
Wir verfolgen 59 aktive Open-Source-Repositories, die mit #rlhf getaggt sind (500+ Sterne), mit insgesamt 335,276 Sternen und durchschnittlich 5,682 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.