rlhf

Pustaka dengan implementasi yang dapat diperluas dari DPO, KTO, PPO, ORPO, dan fungsi loss yang sadar manusia (HALO) lainnya.

OpenJudge: Kerangka Kerja Terpadu untuk Evaluasi Holistik dan Quality Rewards

Koleksi makalah, laporan teknis, framework, and alat pilihan untuk on-policy distillation (OPD) pada model bahasa besar

RewardBench: alat evaluasi pertama untuk model reward.

Trinity-RFT adalah kerangka kerja serbaguna, fleksibel, dan skalabel yang dirancang untuk reinforcement fine-tuning (RFT) pada large language models (LLM).

OAT: Framework yang ramah riset untuk penyelarasan daring LLM, mencakup reinforcement learning, preference learning, dan lainnya.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: RL Open-Source untuk LLM dan Skenario Agen

Finetuning LLM yang mudah dan efisien. (Mendukung LLama, LLama2, LLama3, Qwen, Baichuan, GLM, Falcon) Pelatihan dan deployment kuantisasi efisien untuk model bahasa besar.

Mesin Reinforcement Learning Asinkron untuk Post-Training Omni-Modal berskala besar.

Implementasi resmi dari Self-Play Preference Optimization (SPPO)

Implementasi ChatGPT RLHF (Reinforcement Learning with Human Feedback) pada model bangkitan apa pun di transformer huggingface (bloomz-176B/bloom/gpt/bart/T5/MetaICL)

Resep untuk RLHF online dan DPO iteratif online.

Koleksi pilihan makalah dan sumber daya tentang On-Policy Distillation untuk Large Language Models.

[ICLR 2026] Kode resmi untuk TraceRL: Revolusi pasca-pelatihan untuk Diffusion LLMs, yang mendukung seri SOTA TraDo.