#lora Repository
Scopri 141 repository GitHub open source attivi contrassegnati con #lora, che raccolgono un totale di 626,328 stelle (con una media di 4,442 stelle per progetto). Il progetto leader di questo argomento è hiyouga/LlamaFactory, con 76,171 stelle.
141 repository in totale
🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
La "Guida al consumo di grandi modelli open source" è un tutorial su misura per i bambini cinesi per la messa a punto rapida (parametri completi/Lora) e il dispiegamento di grandi modelli open source (LLM)/grandi modelli multimodali (MLLM) nazionali e internazionali in un ambiente Linux.
Modelli Linguistici di Grandi Dimensioni Cinesi LLaMA & Alpaca + Addestramento/Deployment Locale su CPU/GPU (Chinese LLaMA & Alpaca LLMs)
Utilizza PEFT o l’addestramento con tutti i parametri per CPT/SFT/DPO/GRPO su oltre 600 LLM (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) e oltre 300 MLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Codice per loralib, un'implementazione di "LoRA: Low-Rank Adaptation of Large Language Models"
Agent Reinforcement Trainer: addestra agenti multi-step per attività del mondo reale utilizzando GRPO. Fornisci ai tuoi agenti una formazione sul campo. Apprendimento per rinforzo per Qwen3.6, GPT-OSS, Llama e altro ancora!
Affina i LLM da un singolo YAML. Lo streaming a livelli addestra un modello da 8B su una GPU per laptop da 4 GB.
FaceChain è una toolchain di deep learning per generare il tuo Digital-Twin.
Metti facilmente a punto (SFT/RL), valuta e distribuisci Qwen, Gemma o qualsiasi LLM/VLM agentico open source!
Il firmware ufficiale per Meshtastic, un sistema di comunicazione mesh open-source e off-grid.
BELLE: Be Everyone's Large Language model Engine (Modello linguistico di grandi dimensioni aperto per dialoghi cinesi)
Lo stack di rete basato sulla crittografia per costruire reti inarrestabili con LoRa, Packet Radio, WiFi e tutto ciò che sta in mezzo.
Fine-tuning rapido di modelli di diffusione utilizzando l'adattamento a basso rango.
Firefly: Strumenti di addestramento per modelli di grandi dimensioni, supporta l'addestramento di modelli di grandi dimensioni come 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, ecc.
SD-Trainer. Script e GUI per l'addestramento LoRA & Dreambooth utilizzano il trainer di kohya-ss per modelli di diffusione.
Implementazione del modello linguistico LLaMA basato su nanoGPT. Supporta l'attenzione flash, la quantizzazione Int8 e GPTQ a 4 bit, la messa a punto LoRA e LLaMA-Adapter, il pre-training. Licenza Apache 2.0.
L'ambiente di ricerca open source per i ricercatori di intelligenza artificiale, che consente di addestrare, valutare e scalare modelli in modo fluido, dal hardware locale ai cluster GPU.
Gateway MQTT per ESP8266 o ESP32 con comunicazioni bidirezionali 433MHz/315MHz/868MHz, infrarosse, BLE, Bluetooth, rilevamento beacon, mi flora, mi jia, LYWSD02, LYWSD03MMC, Mi Scale, TPMS, compatibilità termometro BBQ & LoRa.
Un nuovo protocollo di rete mesh di routing ibrido e leggero per radio a pacchetti
[ICLR2025 Spotlight] SVDQuant: Assorbire gli outlier tramite componenti a basso rango per modelli di diffusione a 4 bit
OneTrainer è una soluzione completa per tutte le tue esigenze di addestramento Diffusion.
PJON (Padded Jittering Operative Network) è un protocollo di rete sperimentale, compatibile con Arduino, multi-master e multi-media.
Una libreria unificata per l'apprendimento per trasferimento efficiente in termini di parametri e modulare
Costruisci, personalizza e controlla i tuoi LLM. Dalla pre-elaborazione dei dati al fine-tuning, xTuring offre un modo semplice per personalizzare gli LLM open-source. Unisciti alla nostra community Discord: https://discord.gg/TgHXuSJEk6
📹 Un framework più flessibile in grado di generare video a qualsiasi risoluzione e creare video da immagini.
Misurazione del flusso passeggeri tramite Wi-Fi e BLE con schede ESP32 economiche
Domande frequenti
Qual è il repository #lora più popolare su GitHub?
Il progetto open source #lora più alto in classifica su GitHub è hiyouga/LlamaFactory, con 76,171 stelle. Fine-tuning unificato ed efficiente di oltre 100 LLM e VLM (ACL 2024)
Quali linguaggi di programmazione sono più utilizzati nei repository #lora?
Tra i progetti #lora più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, C.
Come viene calcolata la classifica dei repository #lora?
Monitoriamo 141 repository open source attivi contrassegnati con #lora (500+ stelle), per un totale di 626,328 stelle e una media di 4,442 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.