Ludwig 是一个声明式深度学习框架，面向 LLM、多模态模型和表格 AI。它允许用户仅通过 YAML 配置文件完成模型的训练、微调和部署，无需编写训练循环、数据管道或评估代码。该项目由 Linux Foundation AI & Data 托管，技术栈包括 Python 3.12、PyTorch 2.7+、Pydantic 2、Transformers 5 和 Ray 2.54。
用途方面，Ludwig 覆盖 LLM 微调与对齐、表格与多模态建模、时间序列与视觉任务。在 LLM 领域，它支持监督微调（SFT）、对齐训练（DPO、KTO、ORPO、GRPO 等无奖励模型的 RLHF）、多种 PEFT 适配器（LoRA、DoRA、VeRA、LoRA+、TinyLoRA、OFT、HRA、WaveFT、LN-Tuning、VBLoRA、C3A）以及 LoRA 初始化器（PiSSA、EVA、CorDA、LoftQ）。多适配器 PEFT 允许在一个基础模型上挂载多个命名适配器并在运行时切换，支持 TIES、DARE、SVD、幅度剪枝等合并方式。量化支持 4 位/8 位 QLoRA（bitsandbytes）和 torchao 的 int4/int8/float8 及 QAT。视觉语言模型微调支持 LLaVA、Qwen2-VL、InternVL。
主要能力包括：输入模态覆盖文本、数字、类别、二值、集合、包、序列、图像、音频、时间序列、向量和日期；文本编码器支持任意 HuggingFace Transformer（BERT、RoBERTa、ModernBERT、Qwen3、Llama-3.1 等）以及 Mamba-2、Jamba；图像编码器涵盖 DINOv2、ConvNeXt、EfficientNet、ViT、CAFormer、ConvFormer、PoolFormer 和 TIMM（1000+ 模型）；时间序列编码器包括 PatchTST、N-BEATS、CNN、RNN、Transformer，并支持 MASE 和 sMAPE 指标及 model.forecast() API；组合器提供 concat、transformer、tab_transformer、FT-Transformer、TabNet、TabPFN v2、HyperNetwork、ProjectAggregate、GatedFusion、Perceiver；多任务学习支持 Nash-MTL、Pareto-MTL、FAMO、GradNorm 和不确定性损失平衡；图像分割支持 UNet、SegFormer、FPN 解码器。分布式训练支持 HuggingFace Accelerate 的 DDP、FSDP、DeepSpeed（无需改代码），并提供 Ray 后端用于集群训练和超内存数据集。自动批大小选择、学习率范围测试、混合精度、梯度检查点与累积均有支持。
使用方式上，用户通过 YAML 配置定义模型、训练与部署。支持的命令包括：ludwig serve 启动 REST API（FastAPI、Prometheus 指标、结构化日志）；vLLM 提供 OpenAI 兼容 API；Ray Serve 分布式部署；KServe 的 Kubernetes 原生部署。模型导出支持 SafeTensors、torch.export .pt2 和 ONNX，并可通过 ludwig upload hf_hub 上传至 HuggingFace Hub。实验跟踪集成 TensorBoard、Weights & Biases、Comet ML、MLflow、Aim Stack。超参优化支持 Ray Tune（ASHA、PBT、贝叶斯）和原生 Optuna（auto/GP/TPE/CMA-ES），可持久化至 SQLite 或 PostgreSQL。AutoML 通过 ludwig.automl.auto_train() 提供，给定数据集和时间预算即可搜索编码器/组合器/解码器组合。此外支持 K 折交叉验证（ludwig experiment --k_fold N）、数据集质量检查、OpenML 集成、LLM 配置生成（ludwig generate_config）以及 70+ 内置基准数据集（如 ludwig://mnist、ludwig://alpaca）。
适用场景包括：研究人员进行可复现实验（每次运行都记录并保存完整配置，可用 ludwig visualize 对比）；工程师从笔记本到多 GPU 再到 Ray 集群无缝扩展；需要多模态建模的团队通过一个配置变更混合文本、图像、数字、音频和时间序列。
限制方面：Ludwig 0.16 要求 Python 3.12+，具体依赖矩阵见贡献指南。官方未提供收费、价格或平台限制等详细信息，这些事实暂未提供。
