#sft Repositories
Entdecke 17 aktive Open-Source-GitHub-Repositories, die mit #sft getaggt sind und insgesamt 73,413 Sterne gesammelt haben (durchschnittlich 4,318 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist modelscope/ms-swift mit 16,138 Sternen.
Insgesamt 17 Repositories
Verwenden Sie PEFT oder ein Training mit vollständigen Parametern für CPT/SFT/DPO/GRPO auf über 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) und über 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Leitfaden zur Entwicklung von KI-Agenten | Agent Harness | Kontextengineering | Advanced RAG | MCP | Agentic RL (bestärkendes Lernen) | LangGraph in der Praxis | Über 12.000 Interviewfragen zu großen Sprachmodellen | Jobsuche für Stellen in den Bereichen Algorithmen / Entwicklung | Beruflicher Wechsel in den Bereich großer Sprachmodelle
Feinabstimmung von LLMs aus einem YAML. Layer-Streaming trainiert ein 8B-Modell auf einer 4-GB-Laptop-GPU.
Qwen, Gemma oder jedes offene agentische LLM/VLM ganz einfach feinabstimmen (SFT/RL), evaluieren und bereitstellen!
🚀 Ein Open-Source-, praxisorientierter Lehrplan, der die Lücke von grundlegenden RL-Konzepten bis zur LLM-Ausrichtung, RLVR und fortgeschrittenen Agentic-Systemen überbrückt.
Behandelt Vortrainingsdaten, Tokenizer, Transformer, MoE, verteiltes Training, Skalierungsgesetze, Inferenz und Alignment. 6 aufeinander aufbauende Programmieraufgaben für das ganzheitliche Lernen von LLMs.
GraphGen: Verbesserung des überwachten Fine-Tunings für LLMs mit wissensgesteuerter Generierung synthetischer Daten
Der vollständige Post-Training-Stack für LLMs, plus RL für jedes Problem. SFT, DPO und mehrstufiges agentisches RL mit integrierter evolutionärer Hyperparameteroptimierung.
Trainieren und bedienen Sie LLMs mit extremer Geschwindigkeit und enormem Durchsatz.
Ein leistungsstarkes Framework zum Training von LLMs, VLMs, Diffusionsmodellen und verkörperten Modellen auf NVIDIA-GPUs und Kunlun-XPUs. Unterstützt Pi0.5, GR00T-N1.7, FastWAM, Cosmos3, DreamZero, DeepSeek-V4, GLM-5.3, Kimi-K3 und weitere Modelle.
Eine Open-Source-Lösung für das Fine-Tuning des vollständigen Parameters von DeepSeek-V3/R1 671B, einschließlich vollständigem Code und Skripten vom Training bis zur Inferenz sowie einiger praktischer Erfahrungen und Schlussfolgerungen.
Code und Datensätze für "Character-LLM: Ein trainierbarer Agent für Rollenspiele"
Ein Deep Learning NLP Repository, das die Textvorverarbeitung, Topic Models und nachgelagerten Aufgaben modernster Modelle wie BERT, GPT und LLMs mit TensorFlow zusammenfasst.
Häufig gestellte Fragen
Welches ist das beliebteste #sft-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#sft-Projekt auf GitHub ist modelscope/ms-swift mit 16,138 Sternen. Verwenden Sie PEFT oder ein Training mit vollständigen Parametern für CPT/SFT/DPO/GRPO auf über 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) und über 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Welche Programmiersprachen werden in #sft-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #sft-Projekten auf GitHub sind Python, Jupyter Notebook, MDX, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #sft-Repositories berechnet?
Wir verfolgen 17 aktive Open-Source-Repositories, die mit #sft getaggt sind (500+ Sterne), mit insgesamt 73,413 Sternen und durchschnittlich 4,318 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.