#grpo Dépôts
Découvrez 27 dépôts GitHub open source actifs associés à #grpo, cumulant 107,970 étoiles au total (soit une moyenne de 3,998 étoiles par projet). Le projet en tête de ce thème est modelscope/ms-swift, avec 16,138 étoiles.
27 dépôts au total
Utilisez le PEFT ou l’entraînement de tous les paramètres pour appliquer CPT/SFT/DPO/GRPO à plus de 600 LLM (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) et plus de 300 MLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Bibliothèque open-source complète de compétences en recherche et ingénierie d'IA pour tout modèle d'IA. Regroupez ces compétences et votre agent claude code/codex/gemini deviendra un agent de recherche IA à pleine puissance. Maintenu par Orchestra Research.
Guide de développement d’agents IA | Agent Harness | Ingénierie du contexte | RAG avancé | MCP | Apprentissage par renforcement agentique (Agentic RL) | Mise en pratique de LangGraph | Plus de 12 000 questions d’entretien sur les LLM | Recherche d’emploi pour des postes en algorithmes / développement | Se reconvertir dans le domaine des LLM
Entraîneur par renforcement d'agents : entraînez des agents multi-étapes pour des tâches réelles en utilisant GRPO. Offrez à vos agents une formation en cours d'emploi. Apprentissage par renforcement pour Qwen3.6, GPT-OSS, Llama et plus encore !
Affinez facilement (SFT/RL), évaluez et déployez Qwen, Gemma ou tout LLM/VLM agentique open source !
Implémentez un LLM de raisonnement dans PyTorch à partir de zéro, étape par étape
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
Skywork-R1V est une série avancée de modèles d'IA multimodaux développée par Skywork AI, spécialisée dans le raisonnement vision-langage.
Couvre les données de préentraînement, les tokeniseurs, les Transformers, le MoE, l’entraînement distribué, les lois de mise à l’échelle, l’inférence et l’alignement. 6 exercices de programmation progressifs pour apprendre les LLM de bout en bout.
verl-agent est une extension de veRL, conçue pour entraîner des agents LLM/VLM via RL. verl-agent est également le code officiel du papier "Group-in-Group Policy Optimization for LLM Agent Training"
Dépôt officiel de 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
[ECCV 2026] MixGRPO : Débloquer l'efficacité de GRPO basée sur le flux avec ODE-SDE mixte
La pile d'amélioration continue pour les agents. Nos données d'environnement et nos évaluations alimentent l'amélioration et la surveillance des agents.
Halo est un framework open source développé par White Circle pour entraîner des modèles de langage de grande taille et des modèles multimodaux
Un tutoriel systématique de développement d'Agents IA couvrant les agents LLM, le RAG, l'utilisation d'outils, les systèmes de mémoire, les systèmes multi-agents, LangChain, LangGraph, MCP et le RL agentique. | Apprenez le développement d'Agents IA à partir de zéro | Un tutoriel de développement d'Agents systématique, complet et orienté pratique | Suivi automatique quotidien des derniers articles arXiv
Fin-R1 est un grand modèle linguistique pour le raisonnement financier complexe, développé et rendu open source grâce aux efforts conjoints du SUFE-AIFLM-Lab de l'École de Statistique et de Science des Données de l'Université de Finance et d'Économie de Shanghai et de FinStep.AI.
[NeurIPS 2025] AutoVLA : Un modèle vision-langage-action pour la conduite autonome de bout en bout avec raisonnement adaptatif et ajustement fin par renforcement
Un moteur d'apprentissage par renforcement asynchrone pour le post-entraînement omnimodal à grande échelle
🌾 OAT : Un framework convivial pour la recherche sur l'alignement en ligne des LLM, incluant l'apprentissage par renforcement, l'apprentissage par préférence, etc.
RLAnything (ICML 2026) et AutoTool (ICML 2026), DemyAgent : Apprentissage par renforcement open-source pour les LLM et les scénarios d'agents
Une liste organisée d'articles sur l'apprentissage par renforcement pour la génération de vidéos
FineEnvs — Introduction aux environnements d’apprentissage par renforcement : créer et faire évoluer des environnements à l’ère des LLM
Implémentation officielle de GDPO : optimisation de politique par normalisation découplée des récompenses de groupe pour l’optimisation de l’apprentissage par renforcement à récompenses multiples
Foire aux questions
Quel est le dépôt #grpo le plus populaire sur GitHub ?
Le projet #grpo open source le mieux classé sur GitHub est modelscope/ms-swift, avec 16,138 étoiles. Utilisez le PEFT ou l’entraînement de tous les paramètres pour appliquer CPT/SFT/DPO/GRPO à plus de 600 LLM (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) et plus de 300 MLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Quels langages de programmation sont les plus utilisés dans les dépôts #grpo ?
Parmi les projets #grpo les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TeX, MDX.
Comment le classement des dépôts #grpo est-il calculé ?
Nous suivons 27 dépôts open source actifs associés à #grpo (500+ étoiles), totalisant 107,970 étoiles, avec une moyenne de 3,998 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.