Startseite Projekte MegaDLMs
MegaDLMs
Python

MegaDLMs

GPU-optimiertes Framework für das Training von Diffusions-Sprachmodellen in beliebigem Maßstab. Das Backend von Quokka, Super Data Learners und OpenMoE 2 Training.

von JinjieNi · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Kategorie
Sprache
diffusionlarge-language-modelsPython
Auf GitHub ansehen
Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
MegaDLMs — GitHub preview card
📈 Sternhistorie
344343
2026-07-202026-08-31
📈 MegaDLMs verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

GPU-optimiertes Framework für das Training von Diffusions-Sprachmodellen in beliebigem Maßstab. Das Backend von Quokka, Super Data Learners und OpenMoE 2 Training.

MegaDLMs hat 344 Sterne auf GitHub. Es wurde 36-mal geforkt. MegaDLMs ist hauptsächlich in Python geschrieben. Es wird seit 2025 aktiv entwickelt. Die Hauptthemen sind: diffusion, large-language-models.

Frequently asked questions

Was ist MegaDLMs?

GPU-optimiertes Framework für das Training von Diffusions-Sprachmodellen in beliebigem Maßstab. Das Backend von Quokka, Super Data Learners und OpenMoE 2 Training.

Ist MegaDLMs Open Source?

MegaDLMs ist ein Open-Source-Projekt.

Ist MegaDLMs kostenlos?

Ja. MegaDLMs ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

In welcher Sprache ist MegaDLMs geschrieben?

MegaDLMs ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — MegaDLMs

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=jinjieni-megadlms)](https://olud.ai/project/jinjieni-megadlms.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.