Unsloth
Bibliothek zum deutlich schnelleren und speicherärmeren Feintunen großer Sprachmodelle im Vergleich zu Standard-Trainingsansätzen.
Überblick
Unsloth optimiert den Feintuning-Prozess für populäre Open-Weight-LLMs und beansprucht durch benutzerdefinierte Kernel-Optimierungen wesentlich schnelleres Training und geringeren Speicherverbrauch als Standard-Hugging-Face-Trainingscode, wodurch Feintuning-Jobs, die sonst High-End-Multi-GPU-Setups bräuchten, auf bescheidenerer Hardware laufen können. Es unterstützt populäre offene Modelle und integriert sich in gängige Feintuning-Workflows.
Unsloth eignet sich für Teams oder Einzelpersonen, die Open-Weight-LLMs mit begrenztem Hardware-Budget feintunen – eine spezialisierte Effizienzschicht, die DeepSpeed (ebenfalls in diesem Katalog) ergänzt: Beide adressieren Trainingseffizienz, wobei sich Unsloth speziell darauf konzentriert, Feintuning auf kleinerer Hardware zugänglich zu machen.
- Kategorien
- KI & Machine Learning
- Schlagwörter
- fine-tuningllm-trainingmodel-optimization
- Sprachen
- Python
- Lizenz
- Apache-2.0
Ähnliche Projekte
DeepSpeed
Apache-2.0Deep-Learning-Optimierungsbibliothek von Microsoft zum effizienten Trainieren und Ausführen sehr großer Modelle über mehrere GPUs hinweg.
- KI & Machine Learning
CAMEL
Apache-2.0Open-Source-Framework für Forschung und den Bau von Systemen mehrerer kommunizierender, rollenspielender KI-Agenten, die autonom zusammenarbeiten.
- KI & Machine Learning
CrewAI
MITMulti-Agent-Orchestrierungs-Framework zum Aufbau von Teams kollaborierender, rollenbasierter KI-Agenten, die autonom zusammenarbeiten, um komplexe Aufgaben zu erledigen.
- KI & Machine Learning
DeepEval
Apache-2.0Quelloffenes Test-Framework zur Bewertung von LLM-Ausgaben, das Qualitätschecks für LLM-Anwendungen wie herkömmliche Unit-Tests behandelt.
- KI & Machine Learning
Einen Fehler entdeckt? Änderung auf GitHub vorschlagen.