rlhf

Une bibliothèque avec des implémentations extensibles de DPO, KTO, PPO, ORPO et d'autres fonctions de perte centrées sur l'humain (HALO).

OpenJudge : Un framework unifié pour l'évaluation holistique et les récompenses de qualité.

Collection organisée d'articles, de rapports techniques, de frameworks et d'outils pour la distillation on-policy (OPD) des grands modèles de langage

RewardBench : le premier outil d'évaluation pour les modèles de récompense.

Trinity-RFT est un framework polyvalent, flexible et évolutif conçu pour l'affinage par renforcement (RFT) des grands modèles de langage (LLM).

🌾 OAT : un cadre de recherche convivial pour l'alignement en ligne des LLM, incluant l'apprentissage par renforcement, l'apprentissage des préférences, etc.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent : RL open source pour les LLM et les scénarios d'agents

Fine-tuning simple et efficace de LLM (prise en charge de LLaMA, LLaMA2, LLaMA3, Qwen, Baichuan, GLM, Falcon). Entraînement et déploiement de quantification efficace pour grands modèles.

Un moteur d'apprentissage par renforcement asynchrone pour le post-entraînement omnimodal à grande échelle

L'implémentation officielle de Self-Play Preference Optimization (SPPO)

Implémentation de ChatGPT RLHF (Reinforcement Learning with Human Feedback) sur n'importe quel modèle de génération dans les transformers de Hugging Face (bloomz-176B/bloom/gpt/bart/T5/MetaICL)

Une recette pour le RLHF en ligne et le DPO itératif en ligne.

Une collection organisée d'articles et de ressources sur la distillation en politique (On-Policy Distillation) pour les grands modèles de langage.

[ICLR 2026] Code officiel pour TraceRL : révolutionner le post-entraînement pour les LLM de diffusion, propulsant la série SOTA TraDo.