Início Projetos trainer
trainer
Go

trainer

Treinamento de Modelos de IA Distribuídos e Ajuste Fino de LLM no Kubernetes

por kubeflow · GitHub
Estrelas
Forks
Tendências
Licença
Criado
Último commit
Categoria
Linguagem
aidistributedfine-tuningApache-2.0Go
Ver no GitHub
Em palavras simples

Treine modelos de IA e ajuste modelos de linguagem de grande porte em um cluster Kubernetes.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
trainer — GitHub preview card
📈 Histórico de estrelas
2.2k2.1k
2026-07-072026-08-31
📈 Acompanhe trainer

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Treinamento de Modelos de IA Distribuídos e Ajuste Fino de LLM no Kubernetes

trainer tem 2.2k estrelas no GitHub. Foi bifurcado 1k vezes. trainer é escrito principalmente em Go. Está em desenvolvimento ativo desde 2017. trainer está disponível sob a licença Apache-2.0. Os seus principais temas são: ai, distributed, fine-tuning, gpu.

Frequently asked questions

O que é trainer?

Treinamento de Modelos de IA Distribuídos e Ajuste Fino de LLM no Kubernetes

trainer é de código aberto?

trainer é um projeto de código aberto. É distribuído sob a licença Apache-2.0.

trainer é gratuito?

Sim. trainer é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está trainer?

trainer está disponível sob a licença Apache-2.0.

Em que linguagem trainer está escrito?

trainer é escrito principalmente em Go.

🏅 Mantenedor deste projeto?
olud.ai badge — trainer

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=kubeflow-trainer)](https://olud.ai/project/kubeflow-trainer.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.