Awesome-LLM-Post-training

一站式掌握大模型后训练，从微调到推理增强

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 175 🐛 待处理 21 👀 关注 25

GitHub ↗

GitHub 星标 ★ 2584

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，完全免费，无付费版本。

项目预览

Awesome-LLM-Post-training 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队mbzuai-oryx

GitHubhttps://github.com/mbzuai-oryx/Awesome-LLM-Post-training

定价模式🏷️完全免费

价格说明开源项目，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

主要语言Python

技术栈/模型fine,large-language-models,post-training,reasoning,reinforcement-learning,scaling

GitHub 星标★ 2584

上线时间2025-02-13 00:00:00

代码更新2026-09-05

仓库体积3.0 MB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数6

项目介绍

Awesome-LLM-Post-training 是一个聚焦大语言模型后训练（Post-training）阶段的开源教程、综述与指南合集。它系统梳理了从预训练完成后的指令微调、人类反馈对齐（RLHF/DPO）、推理能力增强（如思维链、自我修正）到长上下文扩展等关键环节的论文、代码库和工程实践。项目解决了后训练领域知识分散、入门门槛高的问题，为研究者和工程师提供了一条从理论到落地的结构化学习路径。核心能力包括：按主题分类的精选资源索引、覆盖最新推理模型（如 o1 类）的技术解析、以及配套的代码示例与工具链推荐。无论是想快速了解后训练全貌，还是深入某个具体技术点，都能在此找到高质量参考。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2584

技术标签

large-language-models post-training reasoning reinforcement-learning

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 5 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Git 命令行工具（用于克隆仓库）
可访问 GitHub 的网络环境
Markdown 阅读器或浏览器（查看 README 资源清单）
可选：PDF 阅读器（阅读 arXiv 综述论文）

安装与启动步骤

1克隆资源仓库

把仓库拉到本地，README 明确说明这是论文与代码实现的精选合集，仓库本身无需编译。
```
git clone https://github.com/mbzuai-oryx/Awesome-LLM-Post-training.git
```
2进入项目目录

切换到克隆下来的目录，随后可查看其中的 Markdown 资源清单。
```
cd Awesome-LLM-Post-training
```
3查看目录内容

列出仓库文件，确认 README 及各主题资源文件存在，README 未提供安装脚本。
```
ls
```
4阅读综述论文

README 给出论文 arXiv 编号 2502.21321，可在浏览器打开 PDF 系统了解后训练全貌。
5按主题查阅资源

在 README 中按指令微调、RLHF/DPO、推理增强、长上下文等主题定位论文与代码库链接。