YAML कॉन्फ़िगरेशन का उपयोग करके LLM, विज़न और सारणीबद्ध मॉडल को प्रशिक्षित, फ़ाइन-ट्यून और तैनात करने के लिए एक घोषणात्मक फ्रेमवर्क।
बिना किसी बॉयलरप्लेट के मल्टीमॉडल मॉडल, LLM और टाइम-सीरीज़ फ़ोरकास्टिंग बनाएं, फ़ाइन-ट्यून करें और सर्व करें।
ludwig एक घोषणात्मक डीप लर्निंग फ्रेमवर्क है जो आपको संरचित YAML कॉन्फ़िगरेशन फ़ाइलों का उपयोग करके मशीन लर्निंग मॉडल बनाने और फ़ाइन-ट्यून करने देता है। कस्टम PyTorch ट्रेनिंग लूप लिखने के बजाय, आप मॉडल पैरामीटर के साथ इनपुट और आउटपुट फ़ीचर्स निर्दिष्ट करते हैं। यह उन इंजीनियरिंग टीमों और डेटा वैज्ञानिकों के लिए उपयुक्त है जिन्हें सेंसर एनालिटिक्स, विजुअल इंस्पेक्शन या डोमेन-विशिष्ट LLM के लिए विशेष मॉडल की आवश्यकता होती है।
ludwig टेक्स्ट, इमेज, टाइम-सीरीज़ और सारणीबद्ध डेटासेट में एंड-टू-एंड मॉडल ट्रेनिंग, हाइपरपैरामीटर ट्यूनिंग और इन्फेरेंस सर्विंग को संभालता है। यह 4-बिट QLoRA इंस्ट्रक्शन ट्यूनिंग, DPO एलाइनमेंट और PatchTST टाइम-सीरीज़ फ़ोरकास्टिंग सहित उन्नत वर्कफ़्लो के लिए मानकीकृत विकल्प प्रदान करता है। आप एक सिंगल CLI कमांड के माध्यम से ट्रेनिंग रन निष्पादित कर सकते हैं या Ray Serve और KServe का उपयोग करके मॉडल को REST एंडपॉइंट पर निर्यात कर सकते हैं।
यह टूल ML इंजीनियरों, स्ट्रक्चर्ड डेटा विश्लेषकों और कम्प्यूटेशनल डिजाइनरों के लिए उपयुक्त है जिन्हें ट्रेनिंग बॉयलरप्लेट को फिर से लिखे बिना कस्टम न्यूरल नेटवर्क को प्रशिक्षित करने की आवश्यकता होती है। यह गैर-तकनीकी आर्किटेक्ट्स या डिज़ाइन प्रैक्टिशनर्स के लिए कम उपयुक्त है जिनके पास डेटासेट तैयार करने के कौशल या समर्पित कंप्यूटिंग बुनियादी ढांचे का अभाव है।
संरचित कॉन्फ़िगरेशन फ़ाइलों के भीतर पूर्ण डीप लर्निंग आर्किटेक्चर, फ़ीचर एनकोडर और लॉस फ़ंक्शन को परिभाषित करें।
ओपन फाउंडेशन मॉडल पर 4-बिट QLoRA, DPO एलाइनमेंट, मल्टी-अडैप्टर PEFT और VLM ट्रेनिंग लागू करें।
इमेज एनकोडर, टेक्स्ट ट्रांसफॉर्मर और संख्यात्मक फ़ीचर्स को एक एकीकृत मल्टी-टास्क नेटवर्क में संयोजित करें।
अंतर्निहित PatchTST, N-BEATS और विशेष मूल्यांकन मेट्रिक्स का उपयोग करके स्ट्रक्चर्ड या ऊर्जा उपयोग मेट्रिक्स का पूर्वानुमान लगाएं।
ludwig ओपन सोर्स है और Apache-2.0 लाइसेंस के तहत चलाने के लिए स्वतंत्र है। आपकी एकमात्र परिचालन लागत आपके मॉडल को प्रशिक्षित करने और होस्ट करने के लिए आवश्यक कंप्यूट बुनियादी ढांचे और GPU से आती है।
877 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
जबकि छोटे सारणीबद्ध कार्य मानक CPU पर चलते हैं, LLM को फ़ाइन-ट्यून करने या विज़न मॉडल को प्रशिक्षित करने के लिए समर्पित Nvidia GPU की आवश्यकता होती है।
हाँ, ludwig serve चलाने से एक स्थानीय REST API लॉन्च होता है, और ludwig में Ray Serve और KServe के लिए प्रोडक्शन इंटीग्रेशन शामिल है।
Google में Zekai को सबसे पहले देखें