हर भाषा में कमांड और कोड अंग्रेज़ी में ही रहेंगे। बड़े अक्षरों वाले प्लेसहोल्डर को अपने खाते और भुगतान किए गए कार्य के मानों से बदलें; साझा नोटबुक या लॉग में असली कुंजियाँ न डालें।
अनुकूलन का वास्तविक चरण
- बैच स्वीकृत उदाहरणों के टोकन बनाएँ
- अनुमान विद्यार्थी मॉडल का आगे का गणना-चरण चलाएँ
- हानि ट्रेनिंग की त्रुटि मापें
- अनुकूलन ग्रेडिएंट निकालें और पैरामीटर बदलें
- चेकपॉइंट तैयार मॉडल या अडैप्टर सहेजें
बैच: स्वीकृत उदाहरणों के टोकन बनाएँ. अनुमान: विद्यार्थी मॉडल का आगे का गणना-चरण चलाएँ. हानि: ट्रेनिंग की त्रुटि मापें. अनुकूलन: ग्रेडिएंट निकालें और पैरामीटर बदलें. चेकपॉइंट: तैयार मॉडल या अडैप्टर सहेजें
समर्थित ट्रेनिंग तरीका चुनें
SFT में उदाहरणों से निगरानी के साथ मॉडल को बेहतर बनाया जाता है। LoRA कम रैंक वाले अडैप्टर के मान ट्रेन करता है। QLoRA में संगत, क्वांटाइज़ किए आधार मॉडल के साथ अडैप्टर ट्रेन होता है। Transformers का causal-language-model अडैप्टर चुने हुए मॉडल और रनटाइम की अनुकूलता जाँचता है; यह हर संरचना या डिवाइस को समर्थन नहीं देता। ग्रेडिएंट से होने वाला अनुकूलन विद्यार्थी मॉडल के भार बदलता है।
- ट्रेनिंग से पहले सीखने की दर, क्रम की लंबाई, बैच का आकार और संचय जाँचें।
- तरीके SFT, LoRA और QLoRA हैं; ऑटोमैटिक मोड में तरीका
autoभी हो सकता है। - अडैप्टर पैकेज के लिए उसी तय संस्करण वाला आधार मॉडल और tokenizer चाहिए।
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.अपने प्रोजेक्ट पर ट्रेनिंग चलाएँ
TrainingProject प्रोजेक्ट जाँचता है, ज़रूरत पड़ने पर सशुल्क शिक्षक पहुँच लेता है, स्थानीय डेटा तैयार करता है, आधार-मूल्य मापता है, ट्रेनिंग चलाता है, अलग रखे मानदंड जाँचता है और रिपोर्ट व मैनिफ़ेस्ट दर्ज करता है। ट्रेनिंग चुने हुए रनटाइम पर होती है। सफलता मापे गए मानदंडों और तय रुकने की शर्तों पर निर्भर करती है।
- बनावटी माप या पूरी होने की झूठी रिपोर्ट न भेजें।
- ज़रूरत के अनुसार प्रक्रिया, स्थानीय स्टोरेज और शिक्षक API का संपर्क बनाए रखें।
- रिपोर्ट लिखने या सफ़ाई में विफलता हो तो स्थानीय नतीजे बचाएँ और फिर कोशिश से पहले रन की स्थिति देखें।
# 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.ऑटोमैटिक और एडवांस्ड मोड
ऑटोमैटिक मोड प्रोजेक्ट और रनटाइम के अनुकूल ट्रेनिंग सेटिंग खुद तय करता है। एडवांस्ड मोड उसी Transformers ट्रेनिंग बैकएंड की समर्थित सेटिंग साफ़ तौर पर चुनने देता है। दोनों मोड स्थानीय ट्रेनिंग करते हैं, स्रोतों का विवरण दर्ज करते हैं और समय, शिक्षक अनुरोध तथा स्टोरेज की तय सीमाएँ मानते हैं। हार्डवेयर और मॉडल की अनुकूलता दोनों पर लागू रहती है।
- मोड
automaticऔरadvancedहैं; तरीके SFT, LoRA या QLoRA हैं और ऑटोमैटिक मोड मेंautoचुना जा सकता है। - अगले विषय पर जाना मापे गए रूब्रिक नतीजों और रुकने की शर्तों पर निर्भर करता है।
- कोई मोड बेंचमार्क या अनुमान क्षमता की गारंटी नहीं देता।