axolotl можно использовать бесплатно? Какая у него лицензия?

axolotl распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.

axolotl всё ещё поддерживается?

Активно поддерживается. Последний коммит в axolotl — 20 окт. 2026 г..

Для чего можно использовать axolotl?

Дообучение LLM с открытыми весами на собственном датасете инструкций или диалогов с помощью LoRA Оптимизация предпочтений или запуск GRPO для модели с воспроизводимой YAML-конфигурацией Масштабирование обучения на несколько GPU или узлов в облачной инфраструктуре

Где скачать axolotl?

Исходный код и инструкции по установке — на GitHub: https://github.com/axolotl-ai-cloud/axolotl

axolotl-ai-cloud/axolotl

Бесплатный фреймворк с открытым исходным кодом для дообучения и постобучения больших языковых моделей с настройкой через YAML-файлы.

Открыть на GitHub Сайт

Звёзды: 12,592
Форки: 1,637
Открытые issues: 253
Последний коммит: 8 часов назад

Что это?

Axolotl — фреймворк для дообучения и постобучения больших языковых моделей. Он охватывает весь процесс: от предварительной обработки датасетов и обучения до оценки, квантования и инференса. Каждый этап настраивается через единый YAML-файл.

Поддерживаются полное дообучение, LoRA, QLoRA, GPTQ, QAT, а также методы обучения на предпочтениях и с подкреплением, например DPO, KTO, ORPO и GRPO. Обучать можно множество семейств моделей с Hugging Face Hub, в том числе vision-language и аудиомодели. Датасеты можно загружать с локального диска, из Hugging Face, а также из хранилищ S3, Azure, GCP и OCI.

Для повышения производительности доступны, среди прочего, multipacking, Flash Attention, Liger Kernel, FSDP2 и многопроцессорное обучение с DeepSpeed. Обучение на нескольких узлах поддерживается через Torchrun или Ray. Для облачных и локальных сред предоставляются Docker-образы и пакеты PyPI.

Ключевые возможности

01Единая YAML-конфигурация для предварительной обработки, обучения, оценки, квантования и инференса
02Поддержка полного дообучения, LoRA, QLoRA, GPTQ и QAT
03Методы обучения на предпочтениях (DPO, KTO, ORPO) и с подкреплением (GRPO)
04Мультимодальное дообучение vision-language и аудиомоделей
05Обучение на нескольких GPU с FSDP2 и DeepSpeed, на нескольких узлах — через Torchrun или Ray
06Загрузка датасетов из локального хранилища, Hugging Face и крупных облачных объектных хранилищ

Сценарии использования

Дообучение LLM с открытыми весами на собственном датасете инструкций или диалогов с помощью LoRA
Оптимизация предпочтений или запуск GRPO для модели с воспроизводимой YAML-конфигурацией
Масштабирование обучения на несколько GPU или узлов в облачной инфраструктуре

Темы

#llm #fine-tuning #lora #qlora #rlhf #deep-learning #pytorch

Частые вопросы

Что такое axolotl?: Бесплатный фреймворк с открытым исходным кодом для дообучения и постобучения больших языковых моделей с настройкой через YAML-файлы. Axolotl — фреймворк для дообучения и постобучения больших языковых моделей. Он охватывает весь процесс: от предварительной обработки датасетов и обучения до оценки, квантования и инференса. Каждый этап настраивается через единый YAML-файл.
axolotl можно использовать бесплатно? Какая у него лицензия?: axolotl распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
axolotl всё ещё поддерживается?: Активно поддерживается. Последний коммит в axolotl — 20 окт. 2026 г..
Для чего можно использовать axolotl?: Дообучение LLM с открытыми весами на собственном датасете инструкций или диалогов с помощью LoRA Оптимизация предпочтений или запуск GRPO для модели с воспроизводимой YAML-конфигурацией Масштабирование обучения на несколько GPU или узлов в облачной инфраструктуре
Где скачать axolotl?: Исходный код и инструкции по установке — на GitHub: https://github.com/axolotl-ai-cloud/axolotl

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

hiyouga / LlamaFactory

GitHub

Единый фреймворк для эффективной тонкой настройки более 100 LLM и VLM через CLI и веб-интерфейс без написания кода.

ИИ и машинное обучение #fine-tuning #llm #lora #qlora #peft

75,6 тыс.9,3 тыс.PythonApache-2.0Обновлён вчера

MakazhanAlpamys / Soup

GitHub

CLI-инструмент для дообучения и посттренинга LLM по одному YAML-конфигу, в том числе на потребительских GPU с небольшим объёмом VRAM.

ИИ и машинное обучение #llm #fine-tuning #lora #qlora #pytorch

9,4 тыс.1,5 тыс.PythonApache-2.0Обновлён вчера

lyogavin / airllm

GitHub

Библиотека Python, которая запускает большие языковые модели послойно и позволяет выполнять инференс моделей класса 70B на одной GPU с 4 ГБ памяти без квантования.

ИИ и машинное обучение #llm #inference #gpu #low-vram #pytorch

39,5 тыс.4 тыс.Jupyter NotebookApache-2.0Обновлён вчера

FareedKhan-dev / train-llm-from-scratch

GitHub

Практическое руководство и кодовая база на PyTorch для обучения LLM-трансформера с нуля: предобучение, SFT, reward modeling, DPO/PPO/GRPO и генерация.

Обучающие материалы #llm #transformer #pytorch #pretraining #fine-tuning

12,3 тыс.1,8 тыс.PythonMITОбновлён 18 дней назад

changyeyu / LLM-RL-Visualized

GitHub

Двуязычная коллекция из более чем 100 авторских схем, объясняющих LLM, RL, RLHF, DPO, GRPO и другие алгоритмы для больших моделей.

Обучающие материалы #llm #reinforcement-learning #rlhf #dpo #fine-tuning

5 тыс.478PythonOtherОбновлён в прошлом месяце

deepspeedai / DeepSpeed

GitHub

Библиотека для оптимизации глубокого обучения, упрощающая и ускоряющая распределённое обучение и инференс больших моделей.

ИИ и машинное обучение #deep-learning #distributed-training #pytorch #gpu #model-parallelism

43,2 тыс.5 тыс.PythonApache-2.0Обновлён вчера