Início Projetos llm-foundry
llm-foundry

llm-foundry

por mosaicml · GitHub

Código de treinamento LLM para modelos base Databricks

Ver no GitHub
Em palavras simples

Treine e ajuste grandes modelos de linguagem para várias aplicações usando o código fornecido.

⭐ Estrelas
🍴 Forks
🔥 Tendências
📜 Licença
Uso comercial permitido
📅 Criado
🔄 Último commit
🏷️ Categoria
💻 Linguagem
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 →
llm-foundry — GitHub preview card
📈 Histórico de estrelas
4.43k4.42k
2026-07-072026-07-29
📈 Acompanhe llm-foundry

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

Código de treinamento LLM para modelos base Databricks

llm-foundry tem 4.4k estrelas no GitHub. Foi bifurcado 589 vezes. llm-foundry é escrito principalmente em Python. Está em desenvolvimento ativo desde 2023. llm-foundry está disponível sob a licença Apache-2.0. Os seus principais temas são: deep-learning, llm, neural-networks, nlp.

Frequently asked questions

O que é llm-foundry?

Código de treinamento LLM para modelos base Databricks

llm-foundry é de código aberto?

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

llm-foundry é gratuito?

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

Sob que licença está llm-foundry?

llm-foundry está disponível sob a licença Apache-2.0.

Em que linguagem llm-foundry está escrito?

llm-foundry é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — llm-foundry

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=mosaicml-llm-foundry)](https://olud.ai/project/mosaicml-llm-foundry.html)
Mais opções de badge →
🧬 Partilha ADN com

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