Git Stars Git Stars

#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
Total de Repositórios
73,413
Total de estrelas
4,318
Média de Estrelas/Repositório
Linguagens de programação: Python Jupyter Notebook MDX C++

17 repositórios no total

1
modelscope/ms-swift

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).

modelscope
⭐ 16,138 Python 👤 modelscope Organization 🕐 Atualizado 2026-11-21 📅 Criado 2023-08-01
2
adongwanai/AgentGuide

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

adongwanai
⭐ 12,147 MDX 👤 adongwanai User 🕐 Atualizado 2026-11-05 📅 Criado 2025-11-03
3
MakazhanAlpamys/Soup

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.

MakazhanAlpamys
⭐ 10,703 Python 👤 MakazhanAlpamys User 🕐 Atualizado 2026-11-21 📅 Criado 2026-02-20
4
oumi-ai/oumi

Ajuste finamente (SFT/RL), avalie e implante facilmente o Qwen, o Gemma ou qualquer LLM/VLM agêntico de código aberto!

oumi-ai
⭐ 9,441 Python 👤 oumi-ai Organization 🕐 Atualizado 2026-11-21 📅 Criado 2024-05-07
5
meta-pytorch/torchtune

Biblioteca nativa do PyTorch para pós-treinamento

meta-pytorch
⭐ 5,820 Python 👤 meta-pytorch Organization 🕐 Atualizado 2026-11-19 📅 Criado 2023-10-20
6
walkinglabs/hands-on-modern-rl

🚀 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.

walkinglabs
⭐ 4,936 Jupyter Notebook 👤 walkinglabs Organization 🕐 Atualizado 2026-10-23 📅 Criado 2026-04-10
7
datawhalechina/diy-llm

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.

datawhalechina
⭐ 3,035 Jupyter Notebook 👤 datawhalechina Organization 🕐 Atualizado 2026-11-20 📅 Criado 2025-11-24
8
AI-Hypercomputer/maxtext

Um LLM Jax simples, de alto desempenho e escalável!

AI-Hypercomputer
⭐ 2,468 Python 👤 AI-Hypercomputer Organization 🕐 Atualizado 2026-11-21 📅 Criado 2023-02-28
9
ssbuild/chatglm_finetuning

ajuste fino do ChatGLM 6B e ajuste fino do Alpaca

ssbuild
⭐ 1,531 Python 👤 ssbuild User 🕐 Atualizado 2025-03-09 📅 Criado 2023-03-14
10
Alibaba-NLP/ZeroSearch

ZeroSearch: Incentivar a Capacidade de Busca de LLMs sem Realizar Buscas

Alibaba-NLP
⭐ 1,305 Python 👤 Alibaba-NLP Organization 🕐 Atualizado 2025-08-16 📅 Criado 2025-05-07
11
InternScience/GraphGen

GraphGen: Aprimorando o Ajuste Fino Supervisionado para LLMs com Geração de Dados Sintéticos Orientada pelo Conhecimento

InternScience
⭐ 1,236 Python 👤 InternScience Organization 🕐 Atualizado 2026-11-08 📅 Criado 2025-01-08
12
AgileRL/AgileRL

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.

AgileRL
⭐ 971 Python 👤 AgileRL Organization 🕐 Atualizado 2026-11-21 📅 Criado 2023-03-01
13
invergent-ai/surogate

Treine e disponibilize LLMs com velocidade extrema e enorme capacidade de processamento.

invergent-ai
⭐ 888 C++ 👤 invergent-ai Organization 🕐 Atualizado 2026-11-05 📅 Criado 2026-01-02
14
baidu-baige/LoongForge

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.

baidu-baige
⭐ 881 Python 👤 baidu-baige Organization 🕐 Atualizado 2026-11-20 📅 Criado 2026-04-23
15
ScienceOne-AI/DeepSeek-671B-SFT-Guide

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。)

ScienceOne-AI
⭐ 806 Python 👤 ScienceOne-AI User 🕐 Atualizado 2025-03-13 📅 Criado 2025-03-07
16
choosewhatulike/trainable-agents

Código e conjuntos de dados para "Character-LLM: Um Agente Treinável para Interpretação de Papéis"

choosewhatulike
⭐ 603 Python 👤 choosewhatulike User 🕐 Atualizado 2024-10-29 📅 Criado 2023-10-08
17
ukairia777/tensorflow-nlp-tutorial

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.

ukairia777
⭐ 580 Jupyter Notebook 👤 ukairia777 User 🕐 Atualizado 2026-06-05 📅 Criado 2021-12-30

Perguntas Frequentes

1

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).

2

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++.

3

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.