#sft Repositórios
Descubra 17 repositórios ativos de código aberto no GitHub marcados com #sft, acumulando um total de 73,413 estrelas (uma média de 4,318 por projeto). O líder deste tópico é modelscope/ms-swift, com 16,138 estrelas.
17 repositórios no total
Use PEFT ou treinamento com todos os parâmetros para realizar CPT/SFT/DPO/GRPO em mais de 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) e mais de 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Guia de desenvolvimento de agentes de IA | Agent Harness | Engenharia de contexto | RAG avançado | MCP | Aprendizado por reforço agêntico (Agentic RL) | LangGraph na prática | Mais de 12.000 perguntas de entrevista sobre LLMs | Busca de emprego para cargos de algoritmos / desenvolvimento | Transição de carreira para a área de LLMs
Ajuste fino de LLMs a partir de um YAML. Streaming por camadas treina um modelo de 8B em uma GPU de laptop de 4 GB.
Ajuste finamente (SFT/RL), avalie e implante facilmente o Qwen, o Gemma ou qualquer LLM/VLM agêntico de código aberto!
🚀 Um currículo de código aberto e prático que preenche a lacuna desde conceitos básicos de RL até alinhamento de LLM, RLVR e sistemas Agentic avançados.
Abrange dados de pré-treinamento, tokenizadores, Transformers, MoE, treinamento distribuído, leis de escalabilidade, inferência e alinhamento. 6 tarefas de programação progressivas para aprender LLMs de ponta a ponta.
GraphGen: Aprimorando o Ajuste Fino Supervisionado para LLMs com Geração de Dados Sintéticos Orientada pelo Conhecimento
A stack completa de pós-treinamento para LLMs, além de RL para qualquer problema. SFT, DPO e RL agêntico em múltiplos turnos, com otimização evolutiva de hiperparâmetros integrada.
Treine e disponibilize LLMs com velocidade extrema e enorme capacidade de processamento.
Um framework de alto desempenho para treinar LLMs, VLMs, modelos de difusão e modelos incorporados em GPUs NVIDIA e XPUs Kunlun. Oferece suporte a Pi0.5, GR00T-N1.7, FastWAM, Cosmos3, DreamZero, DeepSeek-V4, GLM-5.3, Kimi-K3 e muito mais.
Uma solução de código aberto para o ajuste fino de parâmetros completos do DeepSeek-V3/R1 671B, incluindo código e scripts completos, desde o treinamento até a inferência, bem como algumas experiências e conclusões práticas. (DeepSeek-V3/R1 满血版 671B 全参数微调的开源解决方案,包含从训练到推理的完整代码和脚本,以及实践中积累一些经验和结论。)
Código e conjuntos de dados para "Character-LLM: Um Agente Treinável para Interpretação de Papéis"
Este é um repositório de PNL (Processamento de Linguagem Natural) de Deep Learning que organiza as tarefas downstream dos modelos mais recentes, como Topic Models, BERT, GPT e LLM, abrangendo desde o pré-processamento de texto, utilizando o TensorFlow.
Perguntas Frequentes
Qual é o repositório de #sft mais popular no GitHub?
O projeto de código aberto de #sft mais bem classificado no GitHub é modelscope/ms-swift, com 16,138 estrelas. Use PEFT ou treinamento com todos os parâmetros para realizar CPT/SFT/DPO/GRPO em mais de 600 LLMs (Qwen3.8, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) e mais de 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM5.3, Gemma4, LLaVA, Phi4, ...) (AAAI 2025).
Quais linguagens de programação são mais usadas nos repositórios de #sft?
Entre os projetos de #sft mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, MDX, C++.
Como é calculada a classificação dos repositórios de #sft?
Acompanhamos 17 repositórios ativos de código aberto marcados com #sft (com mais de 500 estrelas), totalizando 73,413 estrelas e uma média de 4,318 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.