Skip to main content

Fine-Tune Model

模型微調工作流程

  1. 準備資料集(訓練資料)
  2. 準備基礎模型
  3. 匯入資料集
  4. 開始微調作業 (Fine-Tune)
  5. 評估新模型損失曲線
  6. 以新模型做實際推論

準備資料集

開始微調模型之前，您必須先建立用來微調模型的資料集。為獲得最佳效能，資料集內的範例必須具有高品質、多元且代表真實輸入和輸出的要素。

格式
資料集中包含的範例應符合您預期的實際工作環境流量。如果您的資料集含有特定格式、關鍵字、操作說明或資訊，則實際工作環境資料的格式應相同，並含有相同的指示。

例如，如果資料集中的範例包含 "question:" 和 "context:"，則實際工作環境流量也應一併設定包含 "question:" 和 "context:" 的格式，且順序應與資料集範例中的順序相同。如果您排除結構定義，即使資料集的範例包含確切的問題，模型將無法辨識模式。

在資料集中的每個範例中加入提示或前置碼，也有助於改善調整後模型的效能。請注意，如果資料集中包含提示或前置碼，那麼在推論時向已調整的模型發出提示時，也應包含該提示或前置碼。

Tools & Platform

Unsloth

Unsloth - Easily finetune & train LLMs

微調模型專用的 Python 函式庫，在地端使用 GPU 資源對各種 Open Source 模型進行微調作業。

Atlas

Atlas by NOMIC - 資料集（非結構化資料）品質檢測服務

AnythingLLM

具有 Chat/Fine-Tune/Multi-Model 多功能的平台

CoLab

Model

Gemini-Pro

要微調 Gemini-Pro 模型，有三種不同方式呼叫 Gemini API 來做微調作業，Google AI Studio、Python SDK、REST API (curl)。

Tutorials

Back to top