Os comandos e o código permanecem em inglês em todos os idiomas. Substitua os marcadores em maiúsculas pelos valores da sua conta e da sua tarefa paga; não cole chaves reais em cadernos partilhados nem em registos.
Uma etapa real de otimização
- Lote Tokenizar exemplos aprovados
- Previsão Executar a passagem direta do modelo aluno
- Perda Medir o erro de treino
- Otimização Calcular gradientes e atualizar parâmetros
- Ponto de controlo Guardar o modelo ou os adaptadores resultantes
Lote: Tokenizar exemplos aprovados. Previsão: Executar a passagem direta do modelo aluno. Perda: Medir o erro de treino. Otimização: Calcular gradientes e atualizar parâmetros. Ponto de controlo: Guardar o modelo ou os adaptadores resultantes
Escolher um método de treino suportado
SFT faz ajuste fino supervisionado. LoRA treina parâmetros de adaptador de baixo posto. QLoRA combina o treino de adaptadores com uma base quantizada compatível. O adaptador Transformers para modelos de linguagem causal verifica o modelo, o método e o ambiente; não suporta todas as arquiteturas nem todos os dispositivos. A otimização por gradientes altera os pesos do modelo aluno.
- Antes do treino, reveja a taxa de aprendizagem, o comprimento da sequência, o tamanho do lote e a acumulação.
- Os métodos são SFT, LoRA e QLoRA; o modo automático pode selecionar auto.
- Um pacote de adaptador requer o modelo-base fixado e o tokenizador correspondentes.
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.Executar um projeto próprio
TrainingProject valida o projeto, obtém autorização paga do modelo de referência quando necessário, prepara dados locais, mede uma referência, executa a otimização, avalia critérios com dados reservados e regista relatórios e manifestos. O treino local decorre no ambiente configurado. O resultado depende dos critérios medidos e das condições de paragem definidas.
- Não envie métricas nem relatórios de conclusão fabricados.
- Mantenha disponíveis o processo, o armazenamento local e a ligação ao modelo de referência quando necessária.
- Se o relatório ou a limpeza falhar, preserve os resultados locais e consulte o estado da execução antes de tentar novamente.
# 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 e avançado
O modo automático resolve definições de treino compatíveis a partir do projeto e do ambiente. O modo avançado aceita definições explícitas compatíveis para o mesmo backend de treino Transformers. Ambos executam otimização local, registam a proveniência e respeitam limites finitos de tempo, pedidos ao modelo de referência e armazenamento. A compatibilidade do modelo e do hardware continua a ser obrigatória.
- Os modos são automatic e advanced; os métodos são SFT, LoRA ou QLoRA, e automatic resolve o método auto.
- A progressão por temas depende dos resultados medidos pela grelha e das condições de paragem configuradas.
- Nenhum modo garante um resultado específico num benchmark nem uma capacidade de inferência determinada.