Instruction-Tuning-Survey

一份论文级指南，快速摸清指令微调技术全貌

这是一个针对大语言模型指令微调（Instruction Tuning）领域的系统性综述项目，基于同名论文《Instruction Tuning for Large Language Models: A Survey》构建。项目旨在梳理指令微调的核心概念、方法、数据集、评估基准以及未来方向，帮助研究者和工程师快速掌握该领域全貌。它解决了指令微调知识分散、入门门槛高的问题，通过结构化整理论文要点、分类讨论不同技术路线（如数据构建、模型架构、训练策略等），并附上关键参考文献，为学术研究和技术选型提供参考。作为早期项目，其内容框架具有较高的参考价值，但可能未覆盖最新进展。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 232

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队xiaoya-li

所属国家

官网地址

GitHubhttps://github.com/xiaoya-li/Instruction-Tuning-Survey

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言

技术栈/模型artificial-intelligence,chatgpt,gpt,instruction-tuning,large-language-models,nlp

GitHub 星标★ 232

30天Star增速

HF 下载量

上线时间2023-09-04 00:00:00

最近更新2026-03-30 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

系统性梳理指令微调的方法论与数据集，适合快速建立知识框架
基于正式发表的综述论文，内容结构严谨，引用规范
开源在GitHub，便于社区协作更新和补充案例

不足之处

项目处于早期阶段，内容更新可能滞后于领域最新研究
文档/社区待观察

适用场景

入门大模型微调技术，快速了解指令微调的核心概念与主流方法
撰写相关论文或技术报告时，作为参考文献和知识索引
企业技术选型时，对比不同指令微调策略的优劣势

替代项目

awesome-instruction-tuning、LLM-Survey、Awesome-LLM

项目介绍

Instruction-Tuning-Survey 是开源模型领域的开源项目，由 xiaoya-li 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 232。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-03-30。Apache-2.0许可证，完全免费，无付费版本。

它主要面向的使用场景是：入门大模型微调技术，快速了解指令微调的核心概念与主流方法。同类可对比的替代方案包括 awesome-instruction-tuning、LLM-Survey、Awesome-LLM。

上一篇：dots.llm1

下一篇：TokenFlow