Flower 是一个高度可定制和可扩展的联邦学习框架，源自牛津大学的研究项目。支持包括 PyTorch、TensorFlow 和 Hugging Face Transformers 在内的多种机器学习框架。Flower 的设计原则包括可定制、可扩展、框架无关和易于理解，旨在为用户提供构建先进联邦学习系统的工具。通过详细的教程和文档，Flower 使联邦学习变得易于上手，并鼓励社区贡献和参与。

TensorOpera AI简化了生成式AI和大型语言模型的训练与部署。通过集成的MLOps、调度器和高性能机器学习库，开发者可以在去中心化GPU、多云、边缘服务器和智能手机上经济高效地运行复杂的AI任务。TensorOpera Launch自动配对最经济的GPU资源，消除环境设置和管理难题，支持大规模训练和无服务器部署。TensorOpera Studio和Job Store帮助开发者微调和部署模型，实现高效的跨平台AI工作流。

FedScale是一个可扩展的开源联邦学习（FL）引擎和基准测试平台，提供高级API用于实现FL算法，并在多种硬件和软件环境中进行大规模部署和评估。FedScale包括大规模的FL基准测试，涵盖图像分类、对象检测、语言建模和语音识别等任务，同时提供数据集真实模拟FL训练环境。用户可以通过简单的安装流程在Linux和MacOS上快速部署，并利用丰富的教程和数据集开展实验。

提供36种传统和个性化联邦学习算法，涵盖3种场景和20个数据集。专注于统计异质性数据，支持高效GPU内存使用及新增的隐私保护功能。新手用户通过简单的示范指南即可快速上手，参与贡献算法、数据集和评估指标。支持非独立同分布和不均衡数据，并可在多达500个客户端上进行训练模拟。

FL-bench是一个开源的联邦学习基准测试平台,实现了多种经典和前沿算法。平台支持个性化联邦学习和域泛化等研究方向,提供简单接口用于自定义数据集和模型。集成了可视化工具,方便研究人员快速实现和对比不同方法。FL-bench旨在促进联邦学习领域的创新与发展。

OpenFedLLM是一个开源研究代码库，专注于利用联邦学习技术训练大型语言模型。该项目整合了多种联邦学习算法和LLM训练方法，并提供全面的评估指标。通过支持指令微调和价值对齐，OpenFedLLM为研究人员提供了在分散私有数据上进行LLM训练的有力工具，助力隐私保护和模型性能优化研究。

OpenFL是一个开源的Python联邦学习框架,支持多种工作流程和深度学习框架。它专为数据科学家设计,提供灵活可扩展的实验环境,适用于医疗影像等敏感数据场景。该框架由Linux基金会托管,提供多种联邦聚合算法,并欢迎社区贡献。

TensorFlow Federated是一个开源框架，用于分布式数据的机器学习和计算。它提供高级和低级API，允许开发者在保护隐私的同时利用分散数据进行模型训练和评估。支持自定义联邦学习算法，包含单机模拟环境，适合研究和实验。除了预测模型训练，还可用于分布式数据的聚合分析。

MetisFL是一个基于C++和Python3的开源联邦学习框架，注重可扩展性、效率和安全性。该框架提供完整的联邦学习工作流程，支持多种操作系统，并支持Docker容器部署。MetisFL主要应用于需要保护数据隐私的分布式机器学习场景，为研究人员和开发者提供实用工具。