HtFLlib：专注异构联邦学习的开源库与基准测试平台，简化多模型架构协同训练的复杂度，实现高效安全的跨设备智能协作。

• 支持40种异构模型架构，19个模型组，覆盖多样本地任务差异
• 集成10种无额外数据需求的前沿HtFL算法，兼顾模型异构、数据非IID及通信成本
• 兼容PFLlib，支持预训练模型一键接入，减少二次开发负担
• 实现真实设备端部署（HtFL-OnDevice），推动联邦学习从理论到实践落地
• 只需配置单一文件（system/main.py），即可快速适配异构联邦学习场景，极大降低调试和维护难度
• 采用Apache-2.0协议，社区活跃，方便扩展与二次开发
• 详尽实验脚本与超参调优支持，助力复现最新顶会成果（KDD’25最佳论文提名）

异构联邦学习不再是理论挑战，HtFLlib让跨机构模型协同更为高效且隐私安全，适合有多样模型需求的企业与研究机构长期参考。