Перейти к основному содержимому
Главы руководства по обучению Вся документация

Запустите обучение и разберитесь в настройках

Фактическое обновление весов, поддерживаемые методы, настройки под контролем сервера и отчеты о ходе выполнения.

Главы руководства по обучению

Команды и код во всех языковых версиях остаются на английском. Заменяйте ЗАГЛАВНЫЕ заполнители значениями своей учетной записи и оплаченного задания. Не вставляйте реальные ключи в общие ноутбуки или журналы.

Реальный шаг оптимизации

Один лишь ответ модели-учителя не изменяет модель-ученика.
  1. Пакет данных Токенизировать одобренные примеры
  2. Предсказание Выполнить прямой проход модели-ученика
  3. Потери Измерить ошибку обучения
  4. Оптимизация Рассчитать градиенты и обновить параметры
  5. Контрольная точка Сохранить полученную модель или адаптеры

Выберите поддерживаемый метод обучения

SFT — контролируемая тонкая настройка. LoRA обучает параметры низкорангового адаптера. QLoRA сочетает обучение адаптера с совместимой квантованной базовой моделью. Адаптер Transformers для причинно-языковых моделей проверяет выбранную модель, метод и среду; он поддерживает не все архитектуры и устройства. Градиентная оптимизация изменяет веса модели-ученика.

  • До обучения проверьте скорость обучения, длину последовательности, размер пакета и накопление градиента.
  • Методы: SFT, LoRA и QLoRA; режим Automatic может выбрать auto.
  • Для пакета адаптера нужны соответствующие базовая модель и токенизатор.
Пример · 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.

Запустите принадлежащий вам проект

TrainingProject проверяет проект, при необходимости получает оплаченное разрешение на запросы к учителю, подготавливает локальные данные, измеряет исходный уровень, выполняет настоящую оптимизацию, оценивает отложенные критерии и сохраняет отчеты с манифестами. Обучение выполняется в настроенной среде. Успех зависит от измеренных критериев и условий остановки.

  • Не отправляйте вымышленные метрики и отчеты о завершении.
  • Поддерживайте работу процесса, локального хранилища и соединения с API учителя, когда они нужны.
  • При сбое отчетности или очистки сохраните локальные результаты и проверьте состояние запуска.
Пример · 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.
Пример · 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.

Режимы Automatic и Advanced

Automatic подбирает совместимые настройки обучения с учетом проекта и среды выполнения. Advanced принимает явно заданные поддерживаемые настройки для того же механизма Transformers. Оба режима выполняют локальную оптимизацию, сохраняют сведения о происхождении и соблюдают конечные бюджеты времени, запросов к учителю и хранилища. Совместимость модели и оборудования обязательна.

  • Режимы конфигурации — automatic и advanced; методы — SFT, LoRA или QLoRA, а Automatic разрешает auto.
  • Переход по темам определяется измеренными результатами и условиями остановки.
  • Ни один режим не гарантирует показатели теста или определенные возможности инференса.