Inicio Proyectos MegaDLMs
MegaDLMs
Python

MegaDLMs

Marco optimizado para GPU para entrenar modelos de lenguaje de difusión a cualquier escala. El backend de Quokka, Super Data Learners y entrenamiento OpenMoE 2.

por JinjieNi · GitHub
Estrellas
Ramas
Tendencias
Creado
Último commit
Categoría
Lenguaje
diffusionlarge-language-modelsPython
Ver en GitHub
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
MegaDLMs — GitHub preview card
📈 Historial de estrellas
344343
2026-07-202026-08-31
📈 Sigue MegaDLMs

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Marco optimizado para GPU para entrenar modelos de lenguaje de difusión a cualquier escala. El backend de Quokka, Super Data Learners y entrenamiento OpenMoE 2.

MegaDLMs tiene 344 estrellas en GitHub. Se ha bifurcado 36 veces. MegaDLMs está escrito principalmente en Python. Se desarrolla activamente desde 2025. Sus temas principales son: diffusion, large-language-models.

Frequently asked questions

¿Qué es MegaDLMs?

Marco optimizado para GPU para entrenar modelos de lenguaje de difusión a cualquier escala. El backend de Quokka, Super Data Learners y entrenamiento OpenMoE 2.

¿MegaDLMs es de código abierto?

MegaDLMs es un proyecto de código abierto.

¿MegaDLMs es gratis?

Sí. MegaDLMs es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿En qué lenguaje está escrito MegaDLMs?

MegaDLMs está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — MegaDLMs

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=jinjieni-megadlms)](https://olud.ai/project/jinjieni-megadlms.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.