ACTF Core：企业级分布式持续训练与模型治理平台

AdolphoIgor/actf-core · Enterprise Distributed Continuous Training (CT) and Model Governance Platform

GitHub原文发布未知首次收录 2026-09-25上架 2026-09-25 07:03

ELI5：它是什么，解决什么问题

ACTF Core 是一个面向受监管行业（RegTech、FinTech、医疗等）的企业级参考架构，用于基础模型的自动化持续预训练、领域适配与监督微调（SFT）。平台将关系型数据湖仓、分布式计算集群、内存自动微分引擎与自动化统计评估防火墙串联为一个不可变、确定性的训练闭环，并提供五级质量防火墙，在存储契约、数据泄漏边界、张量图稳定性与统计非劣性等环节进行把关，最后通过 MLflow 模型注册表别名（@champion）完成候选模型晋升。

# AI治理 # 模型监控 # 训练与微调 # llmops-platform # 评测与安全

核心能力与快速开始

★ 0 · Python

能做什么: 提供端到端的分布式持续训练与模型治理流程：使用 Apache Spark 3.5 进行关系型数据抽取与 Bronze 分区写入；使用 Ray Data 2.40 进行文本规范化、MinHash LSH 去重与序列打包；使用 PyTorch 2.2+ / FlashAttention 进行混合精度训练（BF16/FP16）、AdamW 参数优化与梯度裁剪；支持 Tokenization 与 ChatML 序列打包；通过五级质量防火墙（Bronze 存储契约、Silver 清洁度、切分污染检查、训练前张量健康、生产模型门禁）进行质量把关；使用 MLflow 进行实验追踪与模型注册表别名生命周期管理；集成 vLLM / Hugging Face 推理运行时；提供 SciPy 统计检验、LLM-as-a-Judge 评审与 Gold 基准套件评估。
适用场景: 适用于在受监管环境中对基础模型进行自动化持续预训练、领域适配和监督微调（SFT）；构建从数据摄取、数据准备、模型训练到评估与治理的确定性训练闭环；通过统计非劣性检验、McNemar 检验与 bootstrap 置信区间进行候选模型晋升决策；在训练前对张量图健康（Step-0 交叉熵校准、梯度流覆盖、绑定嵌入指针）进行预检；对训练与评估分区进行 n-gram 与嵌入级别的数据泄漏检查。
项目形态: 开发框架
部署方式: 材料提及通过 compose.yaml 进行多容器编排（CPU 与 GPU profiles），并提供 Dockerfile.ray-cpu 与 Dockerfile.ray-gpu 镜像（Python 3.11，分别对应 CPU 与 CUDA 执行）。具体部署条件、硬件与规模要求未说明。
主要依赖: 材料列出的技术栈包括 Apache Airflow 2.9+、PostgreSQL 16、MinIO（S3 API）、DVC / Parquet、Apache Spark 3.5、Ray Cluster 2.40、PyTorch 2.2+ / FlashAttention、vLLM / Hugging Face、MLflow 2.12+、SciPy，以及 Astral uv 包管理。具体硬件规格、GPU 数量与 API 成本未说明。
使用限制: 材料为 README 摘录，未说明具体部署限制、硬件门槛、运行成本与许可范围（仅标注 Apache-2.0 许可证）；未提供实际安装或验证信息；部分 README 内容在 Step 17 与 gate_05 处截断。
许可证: Apache-2.0
最近推送: 2026-09-24 08:28

项目文档核对 README 依据 ↗

资料检查：2026-09-25 07:00 · 卡片整理：2026-09-25 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为企业级分布式持续训练与模型治理的参考架构，供程序员在受监管行业（RegTech、FinTech、医疗等）中搭建基础模型的自动化持续预训练、领域适配与监督微调（SFT）流水线，并实现五级质量防火墙与 MLflow 模型注册表别名晋升。

查看内容依据

ACTF Core 是一个面向受监管行业（RegTech、FinTech、医疗等）的企业级参考架构，用于基础模型的自动化持续预训练、领域适配与监督微调（SFT）。

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

vibe-pm-kit：面向 vibe coding 的产品管理工具包（规格、提示词简报、评测与规范检查）

vibe-pm-kit 是一个面向 AI 辅助编程场景的产品管理套件，提供 AI 可执行的规格文档、提示词简报、评测记分卡、数据集卡片和模型训练与调优的实操指南，并附带零依赖的 Python 规格检查 CLI（spec_lint.py），按九个章节给 Markdown 规格打分（满分 100），支持 --check 和 --min-score 用于 CI 门禁，另提供浏览器端规格评分页面。

OpenEnv：面向智能体强化学习的隔离执行环境框架

OpenEnv 是一个用于创建、部署和使用隔离执行环境的端到端框架，面向智能体强化学习后训练。它提供 Gymnasium 风格的 reset/step/state API（支持同步与异步，通过 WebSocket 连接），每个环境以 Docker 镜像形式在本地、云沙箱或 Hugging Face Space 上运行，并提供 40+ 个现成环境（游戏、代码沙箱、浏览器、金融、模拟器等）。项目支持与 TRL、Unsloth、SkyRL、ART、Oumi、torchforge、Miles 等训练框架配合，内置奖励组合与 Inspect AI 评测能力，同时可通过 CLI 脚手架创建、校验和推送自定义环境。

ResearchAgentLab：把研究简报转化为可审计的多阶段科研流程与受控实验

ResearchAgentLab 是一个本地优先的研究控制工作区与参考实现，按八个可追踪阶段组织科研流程：论文收集、文献综述、研究空白分析、研究问题与假设审批、冻结实验设计、受控执行、结果验收和报告审查。项目重点解决“静默科学目标漂移”问题，通过审批边界、版本化产物、哈希绑定、科学一致性与软件预检分离等机制，保持从已批准意图到实现产物、结果和报告主张之间的可审计对应关系，并提供来源追踪、多模型路由、用量与成本记录以及 Markdown、LaTeX、PDF 报告输出。

Tracify：面向 AI Agent 的可观测性与故障防护平台

Tracify 是一个面向 AI Agent 的可观测性与故障防护平台，通过捕获 Agent 运行、LLM 生成、工具调用、成本、评测与失败信息，帮助团队理解发生了什么、定位并修复问题、验证修复效果并防止同类故障复发。它提供 TypeScript 与 Python SDK（包名 tracify-sdk），支持嵌套运行、自定义 span、重试与错误追踪，并配套数据集与评测器、Prompt 版本管理与部署标签、成本与运行时策略（SDK 失败开放）、区域端点与公开健康状态页面。架构上以 SDK/OTLP 接入 Next.js 摄取，经 Tinybird 存储高吞吐遥测数据、Convex 保存项目元数据与工作流状态，并输出到仪表盘。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。