#sft Dépôts
Découvrez 17 dépôts GitHub open source actifs associés à #sft, cumulant 73,413 étoiles au total (soit une moyenne de 4,318 étoiles par projet). Le projet en tête de ce thème est modelscope/ms-swift, avec 16,138 étoiles.
17 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).
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
Affinez les LLM à partir d'un YAML. Le streaming par couches entraîne un modèle 8B sur un GPU de laptop de 4 Go.
Affinez facilement (SFT/RL), évaluez et déployez Qwen, Gemma ou tout LLM/VLM agentique open source !
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
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.
GraphGen : Améliorer le réglage fin supervisé pour les LLM avec la génération de données synthétiques pilotée par la connaissance
La pile complète de post-entraînement pour les LLM, ainsi que du RL pour tout problème. SFT, DPO et RL agentique multi-tours, avec optimisation évolutionnaire des hyperparamètres intégrée.
Entraînez et déployez des LLM à une vitesse extrême et avec un débit considérable.
Un framework haute performance pour entraîner des LLM, des VLM, des modèles de diffusion et des modèles incarnés sur des GPU NVIDIA et des XPU Kunlun. Prend en charge Pi0.5, GR00T-N1.7, FastWAM, Cosmos3, DreamZero, DeepSeek-V4, GLM-5.3, Kimi-K3 et bien d’autres.
Une solution open-source pour le réglage fin de tous les paramètres de DeepSeek-V3/R1 671B, comprenant le code complet et les scripts de l'entraînement à l'inférence, ainsi que quelques expériences pratiques et conclusions.
Code et jeux de données pour "Character-LLM : un agent entraînable pour le jeu de rôle"
Un dépôt NLP d'apprentissage profond qui résume le prétraitement du texte, les modèles de sujets et les tâches en aval de modèles de pointe tels que BERT, GPT et LLM à l'aide de TensorFlow.
Foire aux questions
Quel est le dépôt #sft le plus populaire sur GitHub ?
Le projet #sft 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 #sft ?
Parmi les projets #sft les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, MDX, C++.
Comment le classement des dépôts #sft est-il calculé ?
Nous suivons 17 dépôts open source actifs associés à #sft (500+ étoiles), totalisant 73,413 étoiles, avec une moyenne de 4,318 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.