项目预览
项目数据
项目介绍
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 ★ 2938
使用教程
环境要求
- Python 3.9+(README 示例使用 3.10)
- 已安装 conda(用于创建独立环境)
- 已安装 git,可克隆 GitHub 仓库
- 可选:uv(用于更快的依赖安装)
- 运行知识编辑实验需足够 GPU 显存(不同方法 6GB~60GB 不等)
安装与启动步骤
-
1克隆仓库
从 GitHub 拉取 EasyEdit 源码到本地,确保网络可访问 GitHub。
git clone https://github.com/zjunlp/EasyEdit.git -
2进入项目目录
切换到刚克隆下来的 EasyEdit 目录,后续命令都在此执行。
cd EasyEdit -
3创建 conda 环境
README 明确要求 Python 3.9+,示例命令使用 3.10,环境名为 EasyEdit。
conda create -n EasyEdit python=3.10 -
4激活环境
激活后所有依赖都会装进该隔离环境,避免污染系统 Python。
conda activate EasyEdit -
5安装依赖
使用 pip 按 requirements.txt 安装全部依赖,耗时较长请耐心等待。
pip install -r requirements.txt -
6改用 uv 安装(可选)
若追求更快的依赖解析,可先装 uv 再安装;CPU 环境把 cu128 换成 cpu。
pip install uv uv pip install --torch-backend cu128 -r requirements.txt -
7校验环境
用 uv pip check 检查依赖是否完整、版本是否冲突。
uv pip check
如何确认成功
执行 uv pip check,未报依赖缺失或版本冲突即为安装成功;随后可按 examples 中的脚本(如 KnowEdit.md)跑通一次编辑流程。
常见问题
Q:必须用哪个 Python 版本?
A:README 要求 Python 3.9+,官方命令示例统一使用 3.10,建议直接按示例创建 3.10 环境以避免兼容问题。
Q:uv 安装和 pip 安装有什么区别?
A:两者安装的依赖一致,uv 只是解析与下载更快。README 给出 uv 命令并附加 --torch-backend 参数指定 PyTorch 后端。
Q:只有 CPU 的机器能装吗?
A:可以安装,把 uv 命令中的 cu128 换成 cpu:uv pip install --torch-backend cpu -r requirements.txt,但实际编辑实验通常仍需 GPU。
Q:跑一次编辑需要多少显存?
A:README 按方法给出参考:ROME 约 27~31GB、MEMIT 约 31~33GB、MEND 约 37~46GB,FT 最高约 55~60GB(以 llama-2-7B 等模型为例)。
Q:装完怎么开始用?
A:README 指向 examples 目录,其中 KnowEdit.md 提供了可直接参考的详细使用脚本。
注意事项
- README 强调请使用 Python 3.9+,低于该版本可能安装失败。
- 显存占用数据基于默认配置,不同模型与方法差异较大,请提前确认硬件条件。
- 项目主体为 Jupyter Notebook 与示例脚本,建议在 examples 目录下按官方文档逐步尝试。
核心亮点
- 集成多种主流知识编辑算法(ROME、MEND、KN 等),开箱即用对比实验
- 提供统一简洁的 API 和 CLI,支持单条/批量知识编辑,上手快
- 由 ACL 2024 论文背书,代码质量高,附详细文档和示例
不足之处
- 主要面向研究场景,生产环境下的稳定性与性能调优需自行探索
- 对超大规模模型(如千亿参数)的编辑效率与内存占用仍待优化
适用场景
- 快速修正 LLM 中的过时或错误事实,如新闻事件、产品信息
- 为特定领域定制模型知识,如医疗、法律等垂直场景
- 研究知识编辑算法的效果对比与模型可解释性分析
替代项目
KnowledgeEditor、MEND、ROME
上一篇:zeta
下一篇:MedicalGPT
同类项目推荐
sapientml
开源
上传表格数据,自动生成并筛出可用建模流水线
Generative AutoML for Tabular Data
verl-vla
开源
采集+微调+RL 一条龙,让机器人 VLA 策略快速迭代
A unified VLA post-training framework for human-in-the-loop data collection, fine-tu···
GRAPE
开源
给图神经网络装上更强的位置编码,提升结构感知能力。
[ICLR 2026] GRAPE: Group Representational Position Encoding (https://arxiv.org/abs/2···
IPR
开源
逐步纠错,让LLM智能体每一步都走对
Watch Every Step! LLM Agent Learning via Iterative Step-level Process Refinement (E···
TimeSeriesScientist
开源
一键搞定时间序列预测,省去繁琐调参
Official Repository for TimeSeriesScientist
dFactory
开源
几行代码微调扩散语言模型,省显存快验证
Easy and Efficient dLLM Fine-Tuning
sagemaker-training-toolkit
开源
把训练脚本塞进容器,SageMaker 自动跑训练并上传模型
Train machine learning models within a Docker container using Amazon SageMaker.
meta-context-engineering
开源
让AI自动进化上下文策略,告别手写提示词
[ICML 2026] Meta Context Engineering via Agentic Skill Evolution
katib
开源
在K8s上自动调参,让模型优化省心省力
WARNING: Katib project is DEPRECATED, users should migrate to OptimizationJob and Ku···
