dpo

Qwen、Gemma、または任意のオープンウェイトLLMを簡単にファインチューニング、評価、デプロイ可能！

MedicalGPT: ChatGPTトレーニングパイプラインを使用した独自のMedical GPTモデルのトレーニング。医療大規模モデルのトレーニングを行い、インクリメンタル事前学習(PT)、教師ありファインチューニング(SFT)、RLHF、DPO、ORPO、GRPOを実装しています。

1つのYAMLファイルからLLMをファインチューニング。レイヤーストリーミングにより、4 GBのラップトップGPUで8Bモデルを学習可能。

Align Anything: フィードバックを用いた全モダリティモデルのトレーニング。

🚀 基本的なRLの概念からLLMアライメント、RLVR、高度なエージェンティックシステムへのギャップを埋めるオープンソースの実践的カリキュラム

DPO、KTO、PPO、ORPO、およびその他のヒューマンアウェア損失関数（HALO）の拡張可能な実装を提供するライブラリ

[ICCV 2025] DeepMesh の公式コード: 強化学習を用いた自己回帰型アーティストメッシュの生成

🌾 OAT：強化学習や好みの学習などを含む、LLMオンラインアライメント向けの研究しやすいフレームワーク。

LLM の簡単かつ効率的なファインチューニング。（Llama、Llama2、Llama3、Qwen、Baichuan、GLM、Falcon をサポート）大模型高效量化训练+部署。

動画生成における強化学習に関する論文のキュレーションリスト

TensorFlowを使用してテキスト前処理から、トピックモデル、BERT、GPT、LLMなどの最新モデルのダウンストリームタスクまでをまとめたDeep Learning NLPリポジトリ