LlamaFactory
Ajustement Fin-Efficace Unifié de 100+ LLMs & VLMs (ACL 2024)
Affinez facilement plus de 100 modèles de langage, que ce soit sur votre machine locale ou dans le cloud.
Depuis le README
git clone --depth 1 https://github.com/hiyouga/LlamaFactory.git cd LlamaFactory pip install -e .
- Colab (free): https://colab.research.google.com/drive/1eRTPn37ltBbYsISy9Aw2NuI2Aq5CQrD9?usp=sharing
- PAI-DSW (free trial): https://gallery.pai-ml.com/#/preview/deepLearning/nlp/llamafactory
- AMD GPU Cloud (free credits): https://github.com/AMD-AIM/AMDDevelopersNotebooks/blob/main/en/AMDdeveloperLLaMAFactorynoteen.md
Extraits du README du projet sur GitHub. Le droit d'auteur et les licences restent la propriété des auteurs respectifs.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentAjustement Fin-Efficace Unifié de 100+ LLMs & VLMs (ACL 2024)
LlamaFactory compte 74.4k étoiles sur GitHub. Il a été forké 9.1k fois. LlamaFactory est écrit principalement en Python. Il est développé activement depuis 2023. LlamaFactory est disponible sous licence Apache-2.0. Ses principaux thèmes sont : agent, ai, deepseek, fine-tuning.
Qu'est-ce que LlamaFactory ?
Ajustement Fin-Efficace Unifié de 100+ LLMs & VLMs (ACL 2024)
LlamaFactory est-il open source ?
LlamaFactory est un projet open source. Il est distribué sous licence Apache-2.0.
LlamaFactory est-il gratuit ?
Oui. LlamaFactory est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est LlamaFactory ?
LlamaFactory est disponible sous licence Apache-2.0.
Dans quel langage LlamaFactory est-il écrit ?
LlamaFactory est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/hiyouga-llamafactory.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.