#sft Repository
Scopri 17 repository GitHub open source attivi contrassegnati con #sft, che raccolgono un totale di 73,413 stelle (con una media di 4,318 stelle per progetto). Il progetto leader di questo argomento è modelscope/ms-swift, con 16,138 stelle.
17 repository in totale
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).
Guida allo sviluppo di agenti IA | Agent Harness | Ingegneria del contesto | RAG avanzato | MCP | Apprendimento per rinforzo agentico (Agentic RL) | LangGraph nella pratica | Oltre 12.000 domande di colloquio sui modelli linguistici di grandi dimensioni | Ricerca di lavoro per ruoli di algoritmi / sviluppo | Passare professionalmente al settore dei modelli linguistici di grandi dimensioni
Affina i LLM da un singolo YAML. Lo streaming a livelli addestra un modello da 8B su una GPU per laptop da 4 GB.
Metti facilmente a punto (SFT/RL), valuta e distribuisci Qwen, Gemma o qualsiasi LLM/VLM agentico open source!
🚀 Un curriculum open-source e hands-on che colma il divario dai concetti base di RL all'allineamento LLM, RLVR e sistemi Agentic avanzati.
Copre i dati di pre-addestramento, i tokenizer, i Transformer, il MoE, l’addestramento distribuito, le leggi di scaling, l’inferenza e l’allineamento. 6 esercizi di programmazione progressivi per apprendere gli LLM a 360 gradi.
GraphGen: Miglioramento del Fine-Tuning Supervisionato per LLM con Generazione di Dati Sintetici Guidata dalla Conoscenza
Lo stack completo di post-training per gli LLM, più RL per qualsiasi problema. SFT, DPO e RL agentico multi-turno, con ottimizzazione evolutiva degli iperparametri integrata.
Addestra ed esegui LLM a velocità estrema e con un throughput elevatissimo.
Un framework ad alte prestazioni per l’addestramento di LLM, VLM, modelli di diffusione e modelli embodied su GPU NVIDIA e XPU Kunlun. Supporta Pi0.5, GR00T-N1.7, FastWAM, Cosmos3, DreamZero, DeepSeek-V4, GLM-5.3, Kimi-K3 e altri.
Una soluzione open-source per il fine-tuning completo dei parametri di DeepSeek-V3/R1 671B, che include codice completo e script dall'addestramento all'inferenza, nonché alcune esperienze pratiche e conclusioni.
Codice e set di dati per "Character-LLM: un agente addestrabile per il gioco di ruolo"
Un repository di Deep Learning NLP che riassume l'elaborazione del testo, Topic Models e attività downstream di modelli all'avanguardia come BERT, GPT e LLM utilizzando TensorFlow.
Domande frequenti
Qual è il repository #sft più popolare su GitHub?
Il progetto open source #sft più alto in classifica su GitHub è modelscope/ms-swift, con 16,138 stelle. 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).
Quali linguaggi di programmazione sono più utilizzati nei repository #sft?
Tra i progetti #sft più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, MDX, C++.
Come viene calcolata la classifica dei repository #sft?
Monitoriamo 17 repository open source attivi contrassegnati con #sft (500+ stelle), per un totale di 73,413 stelle e una media di 4,318 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.