声明式 YAML 配置
在一个经过验证的 YAML 文件中定义预处理、编码器、架构、训练和超参数优化,而无需手动编写训练循环。
Ludwig 是一个开源声明式深度学习框架,用于通过单个 YAML 配置文件构建、微调和部署自定义模型。它面向那些希望避免手写训练循环,同时在需要时仍能保留高级控制能力的用户。
网站说明 Ludwig 支持表格、文本、图像、音频、时间序列和 LLM 工作流,并且无需更改模型定义即可在本地运行或扩展到 Ray 集群。产品文档还强调了内置预处理、实验跟踪、服务和导出工作流。
在一个经过验证的 YAML 文件中定义预处理、编码器、架构、训练和超参数优化,而无需手动编写训练循环。
构建可结合表格、文本、图像、音频、时间序列及其他特征类型的模型,并在一次运行中训练多个输出。
使用监督式指令微调和对齐方法来微调 LLM,包括 DPO、KTO、ORPO 和 GRPO,以及 LoRA、QLoRA、DoRA 和 VeRA。
通过添加 Ray 的后端配置,将本地任务切换为分布式执行,并展示了对 DDP、FSDP、DeepSpeed 和 KubeRay 的支持。
使用 Ray Tune 或 Optuna 运行内置 HPO,并支持 Auto、TPE、GP 和 CMA-ES 等采样器,以及通过 SQLite 或 PostgreSQL 持久化。
一条命令即可提供模型服务,并导出为 SafeTensors、ONNX 或 `torch.export`,还可选择 Docker 镜像和上传到 Hugging Face Hub。
当你想基于 YAML 文件构建监督式模型,并在不从头编写预处理和循环逻辑的情况下保持训练流程清晰明确时,可使用 Ludwig。
适用于结合不同输入类型的项目,例如文本与表格特征,或图像与元数据,并在一个模型中训练多个输出。
使用 LLM 工具链,通过 4-bit QLoRA 或相关对齐方法对开源模型进行指令微调,然后用 Ludwig 的服务命令提供结果。
当本地实验需要在集群上扩展到分布式执行且不更改底层模型定义时,可使用 Ray 后端。
当你需要 REST API、Docker 镜像或 ONNX、SafeTensors 等模型产物用于部署时,可使用内置的导出与服务工作流。
Ludwig 是一个基于 YAML 的框架,用于在一个配置文件中定义预处理、模型架构、训练、超参数优化和服务。网站将其描述为一个开源声明式深度学习框架。
入门和首页页面展示了命令行工作流:安装 Ludwig,准备数据集,然后运行 `ludwig train --config ...`。该产品还记录了预测、评估、超参数优化、服务、分布式训练和 LLM 微调。
网站说明 Ludwig 支持表格数据、文本、图像、音频、时间序列和 LLM 工作流。它还列出了多模态和多任务建模。
首页和文档表明 Ludwig 可以将模型作为 REST API 提供服务,并导出为 SafeTensors、ONNX 和 `torch.export` 等格式。它还提到了 Docker 镜像以及上传到 Hugging Face Hub。
流量数据仅供参考。
tensorflow.org
开源机器学习平台,支持在桌面、移动端、Web、云端和边缘环境构建、训练与部署模型。
unsloth.ai
开源本地 Web 界面与框架,在自有硬件上训练、运行和导出开放模型
deerflow.tech
DeerFlow 是一个基于 LangChain 的开源框架,用于构建能够借助沙盒工具、记忆和子代理进行研究、编程与创作的超级智能体,适合深度研究、分析和内容生成等长期多步骤任务。
thinkingmachines.ai
Inkling 是 Thinking Machines Lab 推出的开放权重多模态基础模型,支持文本、图像和音频输入,生成文本输出,并可在 Tinker 上微调,用于下游应用。
livekit.io
LiveKit 是一个开源开发者平台,用于构建、部署和监控语音、视频及实体 AI 智能体,支持 Python 或 TypeScript,以及通过 LiveKit Cloud 进行生产部署。
agents.craft.do
Craft Agents 是一款开源桌面应用,连接模型、API、MCP 服务器、本地文件和内置浏览器,助你一站式规划、执行和审查工作。