ludwig-ai/ludwig

Low-code framework for building custom LLMs, neural networks, and other AI models

What it solves

Ludwig 消除了为训练、微调和部署 AI 模型而编写复杂样板 Python 代码的需求。用户只需在一个简单的 YAML 配置文件中定义模型架构、训练参数和数据输入，即可让深度学习对更广泛的任务变得易于使用，而无需深厚的编码专业知识。

How it works

Ludwig 使用声明式方法，用户在 YAML 文件中指定“什么”(例如输入特征、输出特征和模型类型)，而不是“如何”(训练循环和数据管道)。框架随后处理底层的 PyTorch 实现，包括数据加载、训练和评估。它支持多种后端，允许用户只需最小的配置更改即可从本地执行迁移到 Ray 集群或多 GPU 分布式训练。

Who it’s for

Ludwig 旨在为数据科学家和 AI 从业者加速实验周期，同时也适用于想在表格、多模态或 LLM 任务上构建高性能模型、但不想编写大量代码的非专家。

Highlights

Comprehensive LLM Support: 包括监督式微调 (SFT)、如 DPO 与 GRPO 的对齐技术，以及大量的 PEFT 适配器 (LoRA、DoRA 等) 与量化方法。
Multimodal Capabilities: 原生处理混合输入，包括文本、图像、音频、数字和时间序列数据。
Production Ready: 提供内置工具通过 REST API、vLLM、Ray Serve 和 KServe 提供模型服务，并支持导出为 SafeTensors 和 ONNX。
Automated Tooling: 具备 LLM 驱动的配置生成器、AutoML 用于搜索最佳模型组合，并通过 Optuna 与 Ray Tune 集成超参数优化。