PaddleFormers

KO | EN

gitlite — search

#javascript #hacktoberfest #typescript #go #golang #machine-learning #rust #deep-learning #linux #docker #windows #awesome #vue #pytorch

(★ 12,989)

PaddleFormers는 PaddlePaddle을 기반으로 하는 사용하기 쉬운 사전 학습된 대규모 언어 모델(large language model) 라이브러리(zoo)입니다.

PaddleFormers 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![](https://github.com/user-attachments/assets/9d1c1937-7fac-48f8-9d61-f7ac67b61b18)

------------------------------------------------------------------------------------------

![](https://img.shields.io/badge/python-3.10+-aff.svg)
![](https://img.shields.io/badge/os-linux%2C%20win-pink.svg)
[![](https://img.shields.io/badge/license-Apache%202-dfd.svg)](./LICENSE)
[![](https://img.shields.io/github/stars/PaddlePaddle/PaddleFormers?color=ccf)](https://github.com/PaddlePaddle/PaddleFormers/stargazers)

#### [최신 업데이트](#最新更新) | [특징](#特性) | [설치](#安装) | [빠른 시작](#快速体验) | [커뮤니티 소통](#社区交流)

# PaddleFormers
## 📝 소개
PaddleFormers는 바이두의 딥러닝 프레임워크 PaddlePaddle을 기반으로 구축된 Transformers 라이브러리입니다. PaddlePaddle 생태계에 Hugging Face Transformers 프로젝트와 대등한 모델 인터페이스와 기능 경험을 제공하는 것을 목표로 하며, 대형 언어 모델(LLM)과 비전 언어 모델(VLM)의 학습 기능을 지원합니다. PaddleFormers는 고성능 학습 분야에서 PaddlePaddle의 내장된 장점을 최대한 활용하여 텐서 병렬화, 파이프라인 병렬화, 전문가 병렬화를 포함한 주류 대형 모델 분산 학습 전략과 자동 Mixed Precision(혼합 정밀도) 등의 가속 기술을 전면 지원합니다. DeepSeek-V4, GLM-4.5-Air 등 주요 모델에서 Megatron-LM을 명백히 뛰어넘는 학습 성능을 보여주며, 고효율의 사전 학습(Pre-training) 및 사후 학습(Post-training) 성능을 구현했습니다.
업계 주류의 최적화 방법과 비즈니스 실무에서 축적한 PaddlePaddle의 고성능 특성을 결합하여, PaddleFormers는 복잡한 저수준 최적화 세부 사항에 신경 쓸 필요 없이 사용자가 대형 모델 학습을 효율적이고 편리하게 완료할 수 있도록 \*\*고성능, 저자원 소모\*\*의 학습 경험을 제공하는 데 전념하고 있습니다.

## 🆕 최신 업데이트
> [!IMPORTANT]
> \*\*PaddleFormers v1.2 출시 — 업계 최초로 DeepSeek-V4 대규모 분산 학습 전면 지원 구현!\*\* [학습 실습 보기 →](./examples/best\_practices/DeepSeek-V4/)
\* 2026.06.19 - PaddleFormers v1.2 공식 출시! 이번 버전을 통해 DeepSeek-V4 시리즈 모델의 128K 이상 장문 학습을 지원하게 되었습니다. 업계 leading 오픈 소스 MoE 모델인 DeepSeek-V4는 새로운 CSA+HCA 하이브리드 어텐션, mHC 잔차 연결, Muon 옵티마이저 등의 아키텍처 혁신으로 인해 학습 프레임워크에 매우 높은 요구 사항을 제기합니다. 저희는 학습 전략, 모델 구조부터 통신 연산자에 이르기까지 풀스택 적응을 완료했습니다. Document Mask, Packing 데이터 스트림, CP(컨텍스트 병렬화) 등 고효율 학습 전략을 지원하며, 새로운 FlashMLA 고성능 어텐션 연산자, 고도로 융합된 고성능 FP8 MoE 모듈, DeepEP/HybridEP 전문가 병렬 통신 라이브러리, TileLang 융합 연산자 및 MoE Auto-Subbatch VRAM 동적 부하 분산 기능을 추가하여 DeepSeek-V4 모델의 고효율 사전 학습, 중간 학습 및 SFT 학습 능력을 구현했습니다. 또한 이번 버전에서는 DeepSeek-V3.2 및 Qwen3.5 시리즈 모델 학습도 지원합니다.
\* 2026.03.31 - PaddleFormers v1.1 공식 출시! 이번 버전에서는 GLM-4.5 시리즈 모델의 단일 단계 및 다중 단계 MTP 학습 능력을 지원합니다. MTP 아키텍처의 장점을 활용하여 개발자는 추론 효율성을 대폭 향상시킬 수 있으며, 동시에 MTP 모듈 학습 시나리오를 위해 백본 네트워크 동결 스위치를 추가하여 다양한 모델의 세밀한 튜닝(Finetuning) 수요를 유연하게 충족합니다. 또한 시각적 이해 모델을 심층 최적화하여 Qwen3-VL 30B-A3B 모델의 성능이 이전 버전 대비 48% 향상되었으며 Megatron-LM을 6% 앞섰습니다.
\* 2026.01.21 - PaddleFormers v1.0 버전 출시! LLM 및 VLM 등의 모델을 위한 학습 기능을 제공하며, DeepSeek-V3 모델 및 GLM-4.5-Air 등 주요 모델에 대해 극대화된 성능 최적화를 구현했습니다(학습 성능이 Megatron-LM을 명백히 상회함). PaddleOCR-VL의 경우 Kunlunxin P800, Tianshu Tiangai 150 등 국산 연산 칩에 대한 어댑테이션을 진행하여 국내 사용자의 수요를 더욱 잘 충족합니다.

## ✨ 특징
\* \*\*풍부한 모델 지원:\*\* PaddleFormers는 DeepSeek-V3, GLM-4.5 시리즈, Qwen2 및 Qwen3 시리즈, Qwen3-VL 등 최첨단 모델을 아우르는 100개 이상의 주류 대형 언어 모델 및 비전 언어 모델에 대한 학습 지원을 구현했습니다. 동시에 ERNIE-4.5, ERNIE-4.5-VL, PaddleOCR-VL 등 Wenxin 시리즈 모델에 대한 완벽한 학습 기능을 제공합니다.
\* \*\*고성능 네트워크 구현:\*\* FP8 저정밀 학습과 고성능 연산자 최적화, 통신-연산 오버랩 최적화, 정밀한 연산-저장 균형 등의 전략을 구현하여 대형 모델 학습의 연산, 통신, 스토리지 효율성을 대폭 향상시켰습니다. DeepSeek-V3, GLM-4.5-Air 등의 모델에서 학습 성능이 Megatron-LM을 명백히 뛰어넘습니다.
\* \*\*전체 프로세스 기능 지원:\*\* PaddleFormers는 사전 학습부터 사후 학습에 이르는 전체 프로세스 학습 지원을 구현했습니다. 여기서 사후 학습은 CPT / SFT / SFT-LoRA / DPO / DPO-LoRA 등의 주류 기능을 지원하여 사용자가 대형 모델의 이터레이션과 최적화를 효율적이고 편리하게 완료할 수 있도록 돕습니다. 또한 PaddleFormers는 Safetensors 포맷에 대한 \*\*전면 지원\*\*을 구현하여, 학습이 완료된 모델의 저장 포맷이 Hugging Face에 호스팅된 가중치 포맷과 일치하므로 해당 포맷을 지원하는 임의의 프레임워크나 도구(FastDeploy / vLLM / SGLang 등)에서 사용할 수 있습니다.
\* \*\*완벽한 학습 기능 지원:\*\* PaddleFormers는 \*\*Function Call\*\*, \*\*Thinking\*\* 등 대형 모델의 최첨단 기능에 대한 학습 지원을 구현했으며, \*\*Data Packing\*\*, \*\*Padding Free\*\* 등의 데이터 스트림 기술을 통해 학습 성능을 현저히 최적화했습니다.
\* \*\*국산 칩 심층 적응:\*\* Kunlunxin P800, Tianshu Tiangai 150, Moore Threads C550 등 국산 연산 플랫폼을 지원하며, 128장의 Kunlunxin P800을 기반으로 DeepSeek V3의 SFT를 지원하여 최소한의 국산 연산 자원을 사용하는 사후 학습 솔루션이 되었습니다.

## 📋 모델 목록

| 모델 타입 | 모델 계열 | 모델 이름 | Chat Template |
| --- | --- | --- | --- |
| LLM | DeepSeekv3 | deepseek-ai/DeepSeek-V3-Base、deepseek-ai/DeepSeek-V3、deepseek-ai/DeepSeek-V3-0324 | deepseek3 |
| DeepSeekv3.2 | deepseek-ai/DeepSeek-V3.2 | deepseek3 |
| DeepSeekv4 | deepseek-ai/DeepSeek-V4-Pro、deepseek-ai/DeepSeek-V4-Flash | deepseek3 |
| 🏛️ERNIE-4.5 | baidu/ERNIE-4.5-0.3B-Base-PT、baidu/ERNIE-4.5-0.3B-PT、baidu/ERNIE-4.5-21B-A3B-Base-PT、baidu/ERNIE-4.5-21B-A3B-PT、baidu/ERNIE-4.5-300B-A47B-Base-PT、baidu/ERNIE-4.5-300B-A47B-PT、baidu/ERNIE-4.5-21B-A3B-Thinking | ernie、ernie\_nothink |
| gemma3 | google/gemma-3-270m、google/gemma-3-270m-it、google/gemma-3-1b-pt、google/gemma-3-1b-it、google/gemma-3-4b-pt、google/gemma-3-4b-it、google/gemma-3-12b-pt、google/gemma-3-12b-it、google/gemma-3-27b-pt、google/gemma-3-27b-it | gemma |
| GLM-4.5 | zai-org/GLM-4.5-Air-Base、zai-org/GLM-4.5-Air、zai-org/GLM-4.5-Base、zai-org/GLM-4.5 | glm4\_moe |
| gpt-oss | openai/gpt-oss-20b、openai/gpt-oss-120b | gpt |
| Granite | ibm-granite/granite-3.2-2b-base、ibm-granite/granite-3.2-2b-instruct、ibm-granite/granite-3.2-8b-base、ibm-granite/granite-3.2-8b-instruct | granite |
| Llama-3 | meta-llama/Meta-Llama-3-8B、meta-llama/Meta-Llama-3-8B-Instruct、meta-llama/Meta-Llama-3-70B、meta-llama/Meta-Llama-3-70B-Instruct、meta-llama/Llama-3.1-8B、meta-llama/Llama-3.1-8B-Instruct、meta-llama/Llama-3.1-70B、meta-llama/Llama-3.1-70B-Instruct、meta-llama/Llama-3.1-405B、meta-llama/Llama-3.1-405B-Instruct、meta-llama/Llama-3.2-1B、meta-llama/Llama-3.2-1B-Instruct、meta-llama/Llama-3.2-3B、meta-llama/Llama-3.2-3B-Instruct、meta-llama/Llama-3.3-70B-Instruct | llama3 |
| OLMo2 | allenai/OLMo-2-0425-1B、allenai/OLMo-2-0425-1B-SFT、allenai/OLMo-2-0425-1B-DPO、allenai/OLMo-2-0425-1B-Instruct、allenai/OLMo-2-1124-7B、allenai/OLMo-2-1124-7B-SFT、allenai/OLMo-2-1124-7B-DPO、allenai/OLMo-2-1124-7B-Instruct、allenai/OLMo-2-1124-13B、allenai/OLMo-2-1124-13B-SFT、allenai/OLMo-2-1124-13B-DPO、allenai/OLMo-2-1124-13B-Instruct、allenai/OLMo-2-0325-32B、allenai/OLMo-2-0325-32B-SFT、allenai/OLMo-2-0325-32B-DPO、allenai/OLMo-2-0325-32B-Instruct | jinja |
| phi-4 | microsoft/phi-4 | phi4 |
| Qwen2 | Qwen/Qwen2-0.5B、Qwen/Qwen2-0.5B-Instruct、Qwen/Qwen2-1.5B、Qwen/Qwen2-1.5B-Instruct、Qwen/Qwen2-7B、Qwen/Qwen2-7B-Instruct、Qwen/Qwen2-57B-A14B、Qwen/Qwen2-57B-A14B-Instruct、Qwen/Qwen2-72B、Qwen/Qwen2-0.5B-Instruct | qwen |
| Qwen3 | Qwen/Qwen3-0.6B-Base、Qwen/Qwen3-0.6B、Qwen/Qwen3-1.7B-Base、Qwen/Qwen3-1.7B、Qwen/Qwen3-4B-Base、Qwen/Qwen3-4B、Qwen/Qwen3-4B-Instruct-2507、Qwen/Qwen3-4B-Thinking-2507、Qwen/Qwen3-8B-Base、Qwen/Qwen3-8B、Qwen/Qwen3-14B-Base、Qwen/Qwen3-14B、Qwen/Qwen3-32B、Qwen/Qwen3-30B-A3B-Base、Qwen/Qwen3-30B-A3B、Qwen/Qwen3-30B-A3B-Instruct-2507、Qwen/Qwen3-30B-A3B-Thinking-2507、Qwen/Qwen3-235B-A22B、Qwen/Qwen3-235B-A22B-Instruct-2507、Qwen/Qwen3-235B-A22B-Thinking-2507 | qwen3、qwen3\_nothink |
| Qwen3-Next | Qwen/Qwen3-Next-80B-A3B-Instruct、Qwen/Qwen3-Next-80B-A3B-Thinking | qwen3、qwen3\_nothink |
| Qwen3.5 | Qwen/Qwen3.5-MoE | qwen3\_5、qwen3\_5\_nothink |
| VLM | 🏛️ERNIE-4.5-VL | baidu/ERNIE-4.5-VL-28B-A3B-Base-PT、baidu/ERNIE-4.5-VL-28B-A3B-PT、baidu/ERNIE-4.5-VL-424B-A47B-Base-PT、baidu/ERNIE-4.5-VL-424B-A47B-PT、baidu/ERNIE-4.5-VL-28B-A3B-Thinking | ernie\_vl、ernie\_vl\_nothink |
| 🏛️PaddleOCR-VL | PaddlePaddle/PaddleOCR-VL | paddleocr\_vl |
| Qwen2.5-VL | Qwen/Qwen2.5-VL-3B-Instruct、Qwen/Qwen2.5-VL-7B-Instruct、Qwen/Qwen2.5-VL-32B-Instruct、Qwen/Qwen2.5-VL-72B-Instruct | qwen2\_vl |
| Qwen3-VL | Qwen/Qwen3-VL-2B-Instruct、Qwen/Qwen3-VL-2B-Thinking、Qwen/Qwen3-VL-4B-Instruct、Qwen/Qwen3-VL-4B-Thinking、Qwen/Qwen3-VL-8B-Instruct、Qwen/Qwen3-VL-8B-Thinking、Qwen/Qwen3-VL-32B-Instruct、Qwen/Qwen3-VL-32B-Thinking、Qwen/Qwen3-VL-30B-A3B-Instruct、Qwen/Qwen3-VL-30B-A3B-Thinking、Qwen/Qwen3-VL-235B-A22B-Instruct、Qwen/Qwen3-VL-235B-A22B-Thinking | qwen3\_vl、qwen3\_vl\_nothink |

* 모델 학습 지원 능력에 대한 자세한 내용은 다음을 참조하세요: [PaddleFormers 모델 capability 매트릭스](./docs/zh/model\_capability.md)
* 🏛️ 태그가 있는 모델은 PaddleFormers에서 공식적으로 유지 관리하는 모델입니다.
## 💾 설치
\*\*환경 의존성\*\*
* python ≥ 3.12
* CUDA ≥ 13.0
* PaddleFleet ≥ 0.3 (GPU 학습 기능 전용 의존성)
\*\*의존성 설치 (GPU)\*\*
Docker 컨테이너 방식 사용 (**권장**)
------
> 로컬 환경의 충돌을 방지하기 위해 PaddleFormers의 사전 구축된 이미지를 사용하여 환경을 준비하는 것을 권장합니다. 컨테이너에는 이미 PaddleFormers 저장소가 클론되어 있고 설치가 완료되어 있습니다:
>
> ```shell
> # cuda12.6 기준
> docker run --gpus all --name paddleformers-work -v $(pwd):/work \
> -w=/work --shm-size=512G --network=host -it \
> ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle:3.3.0-gpu-cuda12.6-cudnn9.5 /bin/bash
>
> # cuda12.9 이미지: ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle:3.3.0-gpu-cuda12.9-cudnn9.9
> # cuda13.0 이미지: ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddle:3.3.0-gpu-cuda13.0-cudnn9.13
> ```
------

pip/소스 기반 설치 방법
------
> python 환경 관리를 위해 `conda` / `venv` / `uv` 등의 가상 환경 도구를 사용하는 것을 권장합니다.
>
> ```shell
> # conda
> conda create -n paddleformers-work python=3.10 #支持python3.10～3.13
> conda activate paddleformers-work
> # venv
> python -m venv .paddleformers-work
> source .paddleformers-work/bin/activate
> # uv
> uv venv .paddleformers-work
> source .paddleformers-work/bin/activate
> ```
------
> \*\*설치 방법 1:\*\* 소스를 클론하여 설치
>
> ```shell
> # Install development version
> git clone https://github.com/PaddlePaddle/PaddleFormers.git
> cd PaddleFormers
> # cuda12.6
> python -m pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/nightly/cu126/ --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu126/
> # cuda12.9
> # python -m pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/nightly/cu129/ --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu129/
> # cuda13.0
> # python -m pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/nightly/cu130/ --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu130/
> ```
------
> \*\*설치 방법 2:\*\* 소스를 클론하고 싶지 않다면, 아래 명령어를 통해 PaddleFormers와 PaddleFleet를 설치할 수 있습니다.
>
> ```shell
> # Install via pip
> # cuda12.6
> python -m pip install "paddleformers[paddlefleet]" --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu126/
> # cuda12.9
> # python -m pip install "paddleformers[paddlefleet]" --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu129/
> # cuda13.0
> # python -m pip install "paddleformers[paddlefleet]" --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu130/
> ```
------
> \*\*설치 방법 3:\*\* tokenizer 또는 processor만 필요한 경우, 다음 명령어를 통해 설치할 수 있습니다. 이 경우 학습 관련 의존성이 설치되지 않아 더욱 빠르게 설치할 수 있습니다.
>
> ```shell
> python -m pip install paddleformers
> ```
------
\*\*의존성 설치 (XPU & ILUVATAR-GPU & Metax GPU)\*\*
\* [Kunlunxin 설치 가이드 문서](./docs/zh/XPU\_installation\_guide.md)
\* [Iluvatar CoreX 설치 가이드 문서](./docs/zh/ILUVATAR-GPU\_installation\_guide.md)
\* [Metax 설치 가이드 문서](./docs/zh/Metax-GPU\_installation\_guide.md)
\* [Moore Threads 설치 가이드 문서](./docs/zh/MUSA-GPU\_installation\_guide.md)
# ⚡빠른 시작
PaddleFormers는 API 디자인 측면에서 Hugging Face Transformers와 매우 높은 일관성을 유지하고 있으며, 사용 예시는 다음과 같습니다.
\*\*tokenizer 사용하기\*\*
```python
from paddleformers.transformers import AutoTokenizer
tokenizer = AutoTokenizer.from\_pretrained("Qwen/Qwen3-0.6B-Base")
print(tokenizer.encode("中华人民共和国"))
# 中华人民共和国将会被编码为两个token：
# [105492, 104773]
```
\*\*텍스트 생성\*\*
```python
from paddleformers.transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from\_pretrained("Qwen/Qwen3-0.6B-Base")
model = AutoModelForCausalLM.from\_pretrained("Qwen/Qwen3-0.6B-Base", dtype="bfloat16").eval()
input\_features = tokenizer("请给我上一段大模型的简短介绍：", return\_tensors="pd")
outputs = model.generate(\*\*input\_features, max\_new\_tokens=256)
output\_ids = outputs[0].tolist()[0]
print(tokenizer.decode(output\_ids, skip\_special\_tokens=True))
```
\*\*모델 학습\*\*
```shell
paddleformers-cli train ./examples/config/sft/full.yaml
```
## 📊데이터 처리
\* [데이터셋 포맷 설명](./docs/zh/dataset\_format.md)
\* [Chat Template 설명](./docs/zh/chat\_template\_guide.md)
\* [데이터 스트림 파라미터 설명](./docs/zh/data\_processing\_guide.md)
## 🚀모델 학습 및 배포
\* [PaddleFormers CLI 도구](./docs/zh/cli\_usage.md)
\* [학습 파라미터 설정 설명](./docs/zh/training\_arguments.md)
\* [PaddleFormers 기반 모델 사전 학습 / 사후 사전 학습](./docs/zh/pt\_and\_cpt\_guide.md)
\* [PaddleFormers 기반 인스트럭션 튜닝 (SFT & LoRA)](./docs/zh/sft\_and\_lora\_guide.md)
\* [PaddleFormers 기반 선호도 정렬 (DPO & LoRA)](./docs/zh/dpo\_and\_lora\_guide.md)
\* [FastDeploy / vLLM 기반 모델 배포](./docs/zh/deployment\_guide.md)
## 💻다중 하드웨어 사용
\* [Kunlunxin 사용 가이드 문서](./docs/zh/XPU\_usage\_guide.md)
\* [Iluvatar CoreX 사용 가이드 문서](./docs/zh/ILUVATAR-GPU\_usage\_guide.md)
\* [Metax 사용 가이드 문서](./docs/zh/Metax-GPU\_usage\_guide.md)
\* [Moore Threads 사용 가이드 문서](./docs/zh/MUSA-GPU\_usage\_guide.md)
## 🔍모범 사례
\* [DeepSeek-V3 기반 고효율 사전 학습](./examples/best\_practices/DeepSeek-V3/)
\* [ERNIE-4.5 기반 고효율 사전 학습](./examples/best\_practices/ERNIE-4.5/)
\* [Emoji 출력을 선호하는 정렬 모델 학습](./examples/best\_practices/tutorials/h

ow\_to\_train\_an\_emoji\_model.md)
\* [추론 능력을 지원하는 모델 학습](./examples/best\_practices/tutorials/how\_to\_train\_a\_reasoning\_model.md)
\* [Function Call 능력을 지원하는 모델 학습](./examples/best\_practices/tutorials/how\_to\_train\_a\_function\_call\_model.md)
\* [PaddleOCR-VL 기반 미세 조정(Fine-tuning)을 통한 벵골어 인식 능력 구현](./examples/best\_practices/PaddleOCR-VL/)
\* [Grounding을 지원하는 모델 학습](./examples/best\_practices/tutorials/how\_to\_train\_a\_visual\_grounding\_model.md)
## ➕ 기타
\* [모델 다운로드 방법](./docs/zh/how\_to\_download\_model.md)
\* [자주 묻는 질문(FAQ) 처리](https://github.com/PaddlePaddle/PaddleFormers/issues/3699)
## 💬 커뮤니티 관련
\*\*코드 기여\*\*
\* 커뮤니티 사용자의 PaddleFormers 코드 기여를 환영하며, 자세한 내용은 [기여 가이드](CONTRIBUTING.md)를 참고해 주세요.
\*\*소통하기\*\*
\* 위챗(WeChat) QR 코드를 스캔하고 설문지를 작성하시면, 커뮤니티 개발자 및 공식 팀과 깊이 있게 소통할 수 있는 소통 채널에 참여하실 수 있습니다.

![qrcode](https://github.com/user-attachments/assets/9f0a736c-b047-4912-a70f-8b1ea772c3eb)

## 🙏 감사의 말
우리는 Hugging Face의 [Transformers](https://github.com/huggingface/transformers)🤗 사전 학습 모델 사용에 관한 훌륭한 디자인을 참고했으며, 이에 Hugging Face의 개발자들과 오픈소스 커뮤니티에 감사를 표합니다.
## 📜 라이선스
PaddleFormers는 [Apache-2.0 오픈소스 라이선스](LICENSE)를 따릅니다.

PaddleFormers

PaddleFormers 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

PaddleFormers

PaddleFormers 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README