주요 특징

• RMSNorm, RoPE, SwiGLU, CrossEntropy 등 트랜스포머 핵심 레이어를 Triton으로 재구현해 멀티 GPU 학습 처리량 20% 향상, 메모리 60% 절감
• 허깅페이스 모델에 한 줄짜리 몽키패치를 적용하거나 개별 Liger 모듈을 직접 조합하는 두 가지 사용 방식 제공
• DPO, CPO, ORPO, SimPO, KTO, JSD 등 정렬·증류용 후처리 손실 함수를 청크 단위로 계산해 최대 80%까지 메모리 절감
• 근사 없이 정확한 순전파·역전파를 구현하고, 단위 테스트와 커널 미적용 학습 대비 수렴 테스트로 결과 일치를 검증
• Torch와 Triton만 의존하며 FSDP, DeepSpeed, DDP 및 Axolotl, LLaMA-Factory, TRL SFTTrainer, ms-swift 트레이너와 호환