diy-llm
Abdeckung von Pre-Training-Daten, Tokenizer, Transformer, MoE, verteiltem Training, Scaling Laws, Inferenz & Alignment. .6 progressive Code-Aufgaben für Full-Stack-LLM-Lernen.
Lernen Sie, große Sprachmodelle durch praktische Codierungsaufgaben zu erstellen und zu verstehen.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarAbdeckung von Pre-Training-Daten, Tokenizer, Transformer, MoE, verteiltem Training, Scaling Laws, Inferenz & Alignment. .6 progressive Code-Aufgaben für Full-Stack-LLM-Lernen.
diy-llm hat 2.9k Sterne auf GitHub. Es wurde 276-mal geforkt. diy-llm ist hauptsächlich in Jupyter Notebook geschrieben. Es wird seit 2025 aktiv entwickelt. Die Hauptthemen sind: cs336, datawhale, gpu-programming, grpo.
Was ist diy-llm?
Abdeckung von Pre-Training-Daten, Tokenizer, Transformer, MoE, verteiltem Training, Scaling Laws, Inferenz & Alignment. .6 progressive Code-Aufgaben für Full-Stack-LLM-Lernen.
Ist diy-llm Open Source?
diy-llm ist ein Open-Source-Projekt.
Ist diy-llm kostenlos?
Ja. diy-llm ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
In welcher Sprache ist diy-llm geschrieben?
diy-llm ist hauptsächlich in Jupyter Notebook geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://olud.ai/project/datawhalechina-diy-llm.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.