rlhf

Uma biblioteca com implementações extensíveis de DPO, KTO, PPO, ORPO e outras funções de perda orientadas a humanos (HALOs).

OpenJudge: Uma estrutura unificada para avaliação holística e recompensas de qualidade

Uma coleção curada de artigos, relatórios técnicos, frameworks e ferramentas para destilação on-policy (OPD) de grandes modelos de linguagem

RewardBench: a primeira ferramenta de avaliação para modelos de recompensa.

Trinity-RFT é um framework de propósito geral, flexível e escalável projetado para o ajuste fino por reforço (RFT) de grandes modelos de linguagem (LLM).

🌾 OAT: Uma estrutura amigável para pesquisa de alinhamento online de LLMs, incluindo aprendizado por reforço, aprendizado por preferência, etc.

RLAnything (ICML 2026) & AutoTool (ICML 2026), DemyAgent: RL Open-Source para LLMs e Cenários de Agentes

Fine-tuning fácil e eficiente de LLMs. (Suporta LLaMA, LLaMA2, LLaMA3, Qwen, Baichuan, GLM, Falcon). Treinamento e implantação eficientes de quantização para grandes modelos.

Um Motor de Aprendizado por Reforço Assíncrono para Pós-Treinamento Omni-Modal em Escala

A implementação oficial do Self-Play Preference Optimization (SPPO)

Implementação de ChatGPT RLHF (Aprendizado por Reforço com Feedback Humano) em qualquer modelo de geração no transformers da huggingface (bloomz-176B/bloom/gpt/bart/T5/MetaICL)

Uma receita para RLHF online e DPO iterativo online.

A curated collection of papers and resources on On-Policy Distillation for Large Language Models.

[ICLR 2026] Código oficial para TraceRL: Revolucionando o pós-treinamento para LLMs de Difusão, impulsionando a série SOTA TraDo.