Los comandos y el código se mantienen en inglés en todos los idiomas. Sustituye los marcadores en mayúsculas por valores de tu cuenta y de tu tarea de pago; no pegues claves reales en cuadernos ni registros compartidos.
Un paso de optimización real
- Lote Tokenizar ejemplos aprobados
- Predicción Ejecutar la pasada directa del modelo entrenable
- Pérdida Medir el error de entrenamiento
- Optimización Calcular gradientes y actualizar parámetros
- Punto de control Guardar el modelo o los adaptadores resultantes
Lote: Tokenizar ejemplos aprobados. Predicción: Ejecutar la pasada directa del modelo entrenable. Pérdida: Medir el error de entrenamiento. Optimización: Calcular gradientes y actualizar parámetros. Punto de control: Guardar el modelo o los adaptadores resultantes
Elegir un método de entrenamiento compatible
SFT realiza ajuste fino supervisado. LoRA entrena parámetros de adaptador de bajo rango. QLoRA combina el entrenamiento de adaptadores con una base cuantizada compatible. El adaptador Transformers comprueba el modelo, el método y el entorno; no admite todas las arquitecturas ni todos los dispositivos. La optimización basada en gradientes modifica los pesos del modelo entrenable.
- Antes de entrenar, revisa la tasa de aprendizaje, la longitud de secuencia, el tamaño del lote y la acumulación.
- Los métodos son SFT, LoRA y QLoRA; el modo automático puede seleccionar auto.
- Un paquete de adaptador requiere el modelo base fijado y el tokenizador correspondientes.
Project methods: SFT | LoRA | QLoRA (Automatic mode may resolve auto).
Evaluation metrics: exact_match | macro_f1 | text_similarity | chrf.
Custom scorers require register_evaluator(name, scorer, version=...).
Model, tokenizer, device memory, precision and export must be compatible.
Teacher requests and local run time/storage are bounded by project budgets.
Validation and final-test JSONL are evaluated locally and are not shared.
Read the reviewed plan and compatibility result before starting a run.Ejecutar un proyecto propio
TrainingProject valida el proyecto, obtiene autorización de pago del modelo de referencia cuando hace falta, prepara los datos locales, mide el nivel inicial, realiza la optimización, evalúa criterios con datos reservados y registra informes y manifiestos. El entrenamiento local se ejecuta en el entorno configurado. El resultado depende de los criterios medidos y las condiciones de parada configuradas.
- No envíes métricas ni informes de finalización inventados.
- Mantén disponibles el proceso, el almacenamiento local y la conexión al modelo de referencia cuando sea necesaria.
- Si falla la generación del informe o la limpieza, conserva los resultados locales y comprueba el estado de la ejecución antes de reintentar.
# Continue with project from TrainingProject.from_file(...).
result = project.run()
print(result["status"], result["stop_reason"], result["unmet_criteria"])
# TrainingProject performs real local optimization and records its run report.import os
from fusionpointai_training import TrainingClient
client = TrainingClient(api_key=os.environ["FUSIONPOINTAI_API_KEY"])
session = client.get_session(os.environ["FUSIONPOINTAI_SESSION_ID"])
report = session.get("report")
last_event = report.get("last_event", {}) if isinstance(report, dict) else {}
print("State:", session["status"], "Step:", session["step"])
print("Last reported error code:", last_event.get("error_code"))
# A missing error_code does not prove success. Read state and your local report.
# Do not dump full provider responses, private data or authorization headers.Modos automático y avanzado
El modo automático resuelve ajustes de entrenamiento compatibles a partir del proyecto y del entorno. El modo avanzado admite ajustes explícitos compatibles para el mismo backend de entrenamiento Transformers. Ambos realizan optimización local, registran la procedencia y respetan presupuestos finitos de tiempo, solicitudes al modelo de referencia y almacenamiento. La compatibilidad del modelo y del hardware sigue siendo obligatoria.
- Los modos son automatic y advanced; los métodos son SFT, LoRA o QLoRA, y automatic resuelve el método auto.
- El avance por temas depende de los resultados medidos de la rúbrica y de las condiciones de parada configuradas.
- Ningún modo garantiza un resultado concreto en pruebas comparativas ni una capacidad de inferencia determinada.