Passer au contenu principal
Chapitres du guide d’entraînement Toute la documentation

Lancer l’entraînement et comprendre les contrôles

Mise à jour réelle des poids, méthodes prises en charge, paramètres faisant autorité côté serveur et suivi de progression.

Chapitres du guide d’entraînement

Les commandes et le code restent en anglais dans toutes les langues. Remplacez les espaces réservés en majuscules par les valeurs de votre compte et de votre tâche payante ; ne collez pas de vraies clés dans des carnets ou des journaux partagés.

Une véritable étape d’optimisation

Générer une réponse du modèle de référence ne modifie pas à lui seul le modèle entraînable.
  1. Lot Tokeniser les exemples approuvés
  2. Prédiction Effectuer la passe avant du modèle entraînable
  3. Perte Mesurer l’erreur d’entraînement
  4. Optimisation Calculer les gradients et mettre à jour les paramètres
  5. Point de contrôle Enregistrer le modèle ou les adaptateurs obtenus

Choisir une méthode prise en charge

SFT réalise un ajustement fin supervisé. LoRA entraîne des paramètres d’adaptateur de faible rang. QLoRA associe l’entraînement d’adaptateur à une base quantifiée compatible. L’adaptateur Transformers pour modèles de langage causal vérifie le modèle, la méthode et l’environnement ; il ne prend pas en charge toutes les architectures ni tous les appareils. L’optimisation par gradient modifie les poids du modèle étudiant.

  • Avant l’entraînement, vérifiez le taux d’apprentissage, la longueur de séquence, la taille des lots et l’accumulation.
  • Les méthodes sont SFT, LoRA et QLoRA ; le mode automatique peut choisir auto.
  • Un paquet d’adaptateur nécessite le modèle de base épinglé correspondant et son tokenizer.
Exemple · text 
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.

Exécuter un projet qui vous appartient

TrainingProject valide le projet, obtient l’autorisation payante du modèle de référence si nécessaire, prépare les données locales, mesure une référence, effectue l’optimisation, évalue les critères sur les données réservées et enregistre rapports et manifestes. L’entraînement local s’exécute dans l’environnement configuré. Le résultat dépend des critères mesurés et des conditions d’arrêt définies.

  • Ne transmettez ni métriques ni rapports de fin fabriqués.
  • Maintenez le processus, le stockage local et, si nécessaire, la connexion au modèle de référence disponibles.
  • En cas d’échec du rapport ou du nettoyage, préservez les résultats locaux et vérifiez l’état de l’exécution avant de réessayer.
Exemple · python 
# 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.
Exemple · python 
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.

Modes automatique et avancé

Le mode automatique détermine des paramètres d’entraînement compatibles à partir du projet et de l’environnement. Le mode avancé accepte des paramètres explicites pris en charge par le même backend Transformers. Les deux modes effectuent une optimisation locale, enregistrent la provenance et respectent les limites finies de durée, de requêtes au modèle de référence et de stockage. La compatibilité du matériel et du modèle reste impérative.

  • Les modes de configuration sont automatic et advanced ; les méthodes sont SFT, LoRA ou QLoRA, et le mode automatique résout auto.
  • La progression des thèmes dépend des résultats mesurés par la grille et des conditions d’arrêt configurées.
  • Aucun mode ne garantit un résultat de benchmark ni une capacité d’inférence donnée.