#lora Dépôts
Découvrez 141 dépôts GitHub open source actifs associés à #lora, cumulant 626,328 étoiles au total (soit une moyenne de 4,442 étoiles par projet). Le projet en tête de ce thème est hiyouga/LlamaFactory, avec 76,171 étoiles.
141 dépôts au total
🧑🏫 60+ implémentations/tutoriels d'articles de deep learning avec des notes côte à côte 📝; y compris les transformers (original, xl, switch, feedback, vit, ...), les optimiseurs (adam, adabelief, sophia, ...), les gans (cyclegan, stylegan2, ...), 🎮 l'apprentissage par renforcement (ppo, dqn), les capsnet, la distillation, ... 🧠
Le "Guide de consommation des grands modèles open source" est un tutoriel spécialement conçu pour les bébés chinois afin d'affiner rapidement (paramètres complets/Lora) et de déployer des grands modèles open source (LLM)/grands modèles multimodaux (MLLM) nationaux et internationaux dans un environnement Linux.
Modèles de Langage à Grande Échelle LLaMA & Alpaca Chinois + Entraînement et Déploiement sur CPU/GPU Locaux (Chinese LLaMA & Alpaca LLMs)
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).
Code pour loralib, une implémentation de "LoRA: Low-Rank Adaptation of Large Language Models"
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 les LLM à partir d'un YAML. Le streaming par couches entraîne un modèle 8B sur un GPU de laptop de 4 Go.
FaceChain est une chaîne d'outils d'apprentissage profond pour générer votre jumeau numérique.
Affinez facilement (SFT/RL), évaluez et déployez Qwen, Gemma ou tout LLM/VLM agentique open source !
Le firmware officiel pour Meshtastic, un système de communication mesh open-source et hors réseau.
BELLE: Be Everyone's Large Language model Engine (Grand modèle de dialogue chinois open source)
La pile réseau basée sur la cryptographie pour construire des réseaux inarrêtables avec LoRa, Packet Radio, WiFi et tout ce qui se trouve entre les deux.
Ajustement rapide des modèles de diffusion à l'aide de l'adaptation de faible rang.
Firefly : Outils d'entraînement de grands modèles, prend en charge l'entraînement de grands modèles tels que Qwen2.5, Qwen2, Yi1.5, Phi-3, Llama3, Gemma, MiniCPM, Yi, Deepseek, Orion, Xverse, Mixtral-8x7B, Zephyr, Mistral, Baichuan2, Llma2, Llama, Qwen, Baichuan, ChatGLM2, InternLM, Ziya2, Vicuna, Bloom, etc.
SD-Trainer. Scripts et GUI d'entraînement LoRA & Dreambooth utilisent l'entraîneur de kohya-ss pour les modèles de diffusion.
Implémentation du modèle linguistique LLaMA basé sur nanoGPT. Prend en charge le flash attention, la quantification Int8 et GPTQ 4 bits, le réglage fin LoRA et LLaMA-Adapter, le pré-entraînement. Licence Apache 2.0.
L'environnement de recherche open source pour les chercheurs en IA, permettant de former, d'évaluer et de mettre à l'échelle des modèles sans interruption, depuis le matériel local jusqu'aux clusters GPU.
ACE-Step : Une démarche vers un modèle fondamental pour la génération de musique
Passerelle MQTT pour ESP8266 ou ESP32 avec communications bidirectionnelles 433MHz/315MHz/868MHz, infrarouges, BLE, Bluetooth, détection de balises, mi flora, mi jia, LYWSD02, LYWSD03MMC, Mi Scale, TPMS, compatibilité thermomètre BBQ & LoRa.
Un nouveau protocole de maillage de routage hybride léger pour radios à paquets
[ICLR2025 Spotlight] SVDQuant : Absorption des valeurs aberrantes par des composantes de rang faible pour les modèles de diffusion 4 bits
OneTrainer est une solution tout-en-un pour tous vos besoins de formation Diffusion.
PJON (Padded Jittering Operative Network) est un protocole réseau expérimental, compatible Arduino, multi-maître et multi-média.
Une bibliothèque unifiée pour l'apprentissage par transfert efficace en termes de paramètres et modulaire
Créez, personnalisez et contrôlez vos propres LLM. Du prétraitement des données au réglage fin, xTuring offre un moyen simple de personnaliser les LLM open-source. Rejoignez notre communauté Discord : https://discord.gg/TgHXuSJEk6
📹 Un framework plus flexible qui peut générer des vidéos à n'importe quelle résolution et créer des vidéos à partir d'images.
Mesure du flux de passagers pilotée par Wi-Fi et BLE avec des cartes ESP32 bon marché
Foire aux questions
Quel est le dépôt #lora le plus populaire sur GitHub ?
Le projet #lora open source le mieux classé sur GitHub est hiyouga/LlamaFactory, avec 76,171 étoiles. Affinage efficace unifié de plus de 100 LLM et VLM (ACL 2024)
Quels langages de programmation sont les plus utilisés dans les dépôts #lora ?
Parmi les projets #lora les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, C.
Comment le classement des dépôts #lora est-il calculé ?
Nous suivons 141 dépôts open source actifs associés à #lora (500+ étoiles), totalisant 626,328 étoiles, avec une moyenne de 4,442 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.