liguodongiot/llm-action

项目概览

提供覆盖全量微调、参数高效微调与 RLHF 的实战教程，且多个示例附带可对照的代码链接。

项目类型

模型开发 · 提示词工程 · 学习资源

应用场景

学习教育

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要动手实践大语言模型训练和参数高效微调流程的开发者与研究人员。

核心能力

• 提供经过筛选的大语言模型训练实用教程集合，涵盖全量微调、参数高效微调以及基于人类反馈的强化学习（RLHF）。
• 提供 HuggingFace PEFT 支持的参数高效微调技术的实践指南，并在部分教程中提供配套代码。

限制与风险

• 项目中的分布式训练网络通信部分目前标记为等待更新，读者在该特定主题上可能无法获取完整内容。
• 项目未记录操作系统要求、GPU 要求、最低硬件配置及模型要求等信息，实际运行配套代码前需自行评估硬件与依赖。

如何开始

• 现有公开资料未记录 liguodongiot/llm-action 的上手难度与首条成功路径。考虑到项目以教程集合形式呈现，建议直接从 README 目录入手，定位感兴趣的微调主题并查看是否附带代码链接。

替代方案与同类比较

• 提供原创架构图与原理图，通过直观的视觉方式解释 LLM 结构与训练算法，适合需要图文结合辅助理解的读者。
• 提供生成式 AI 基础课程，包含代码示例，适合零基础入门的读者。
• 提供提示工程相关的论文、学习指南、讲座和笔记本等资源集合，适合关注提示工程而非模型训练的读者。

同类比较

• liguodongiot/llm-action vs 以架构图理解 LLM 与 RL 算法
• liguodongiot/llm-action vs 面向初学者的生成式 AI 入门课程
• liguodongiot/llm-action vs 聚焦提示工程的学习指南

核验依据

• GitHub 项目简介: 本项目旨在分享大模型相关技术原理以及实战经验（大模型工程化、大模型应用落地）
• README: 下面汇总了我在大模型实践中训练相关的所有教程。从6B到65B，从全量微调到高效微调（LoRA，QLoRA，P-Tuning v2），再到RLHF（基于人工反馈的强化学习）。
• README: 下面给大家分享**大模型参数高效微调技术实战**，该系列主要针对 HuggingFace PEFT 框架支持的一些高效微调技术进行讲解。
• README: 待更新...
• README: - Zero-Shot Prompting - Few-Shot Prompting - Chain-of-Thought (CoT) Prompting - Automatic Chain-of-Thought (Auto-CoT) Prompting - Tree-of-Thoughts (ToT) Prompting

来源更新时间：2026-07-16T18:17:19Z

打开原始 GitHub 项目