Entraîner votre premier modèle
Choisissez un dataset, un modèle de base et une configuration d’entraînement dans l’interface utilisateur.
Modèles de base pris en charge
Pour connaître les modèles disponibles et savoir lequel choisir, consultez Modèles d’entraînement pris en charge. L’interface utilisateur peut afficher le modèle de base d’un modèle existant sur lequel le fine-tuning a été effectué, même si ce modèle n’est plus disponible pour de nouveaux runs d’entraînement.Créer un fine-tuning à effectuer
Choisissez les éléments suivants :- Un dataset prêt contenant des lignes d’entraînement.
- Les sorties d’origine ou un run de réétiquetage terminé.
- Un modèle de base.
- Un nom de fine-tuning à effectuer (facultatif).
- Des paramètres d’entraînement (facultatif).
Paramètres d’entraînement
N’ouvrez la configuration avancée que si vous avez besoin de contrôler les éléments suivants :
Avec un taux d’apprentissage maximal scalaire, Model Distillation génère le même planning que l’utilitaire ART SFT : une phase de warmup linéaire sur 10 %, suivie d’une décroissance linéaire jusqu’à zéro. Si vous fournissez une liste complète, celle-ci est appliquée telle quelle.
Statut et artifacts
Les fine-tunings à effectuer passent par les états Queued, Training, Deployed ou Failed. La progression de l’entraînement est indiquée de 0 à 100 %. Un modèle déployé comporte une référence exacte à un artifact W&B et peut être sélectionné immédiatement viawandb-inference pour les évaluations et l’acheminement.
Un fine-tuning effectué en échec affiche l’une des deux actions suivantes à côté de son statut, Retry ou Create new model, selon l’étape à laquelle l’échec s’est produit.
Si l’échec s’est produit dans le pipeline Model Distillation lui-même, par exemple pendant la préparation, pendant la surveillance de la tâche d’entraînement ou lors de l’enregistrement du résultat, sélectionnez Retry. L’effet de la nouvelle tentative dépend de l’avancement du fine-tuning effectué au moment de l’échec :
- Si aucun modèle d’entraînement n’a encore été créé, la nouvelle tentative relance la préparation.
- S’il existe une tâche d’entraînement confirmée, la nouvelle tentative la reprend avec de nouveaux identifiants d’authentification, conserve les époques terminées et n’entraîne que les époques restantes.
- Si un modèle d’entraînement existe mais qu’aucune soumission confirmée ne peut être récupérée, la nouvelle tentative renvoie
409 Conflict. Créez alors un nouveau fine-tuning à effectuer.
training_failure_type du fine-tuning effectué sur RemoteTrainingFailed, et une nouvelle tentative renvoie 409 Conflict avec le type remote_training_failed. Une nouvelle tentative renvoie également 409 Conflict dans chacun des cas suivants :
- Le fine-tuning effectué n’est pas à l’état d’échec.
- Une nouvelle tentative qui relance la préparation détecte que le dataset a été modifié après la création du fine-tuning à effectuer.
- Un modèle d’entraînement existe mais aucune soumission confirmée ne peut être récupérée.
Supprimer un fine-tuning effectué
La suppression d’un fine-tuning effectué supprime le modèle d’entraînement, ses artifacts W&B, les sorties qu’il a générées et l’enregistrement correspondant dans l’interface utilisateur. Un modèle d’entraînement partagé par plusieurs fine-tunings effectués n’est supprimé que lorsque vous supprimez le dernier fine-tuning effectué qui le possède. Model Distillation retire le fine-tuning effectué des ensembles de comparaison d’évaluations et supprime les évaluations qui l’utilisent comme vérité terrain. Pour une évaluation en face-à-face qui l’utilise comme participant principal, Model Distillation promeut le plus ancien participant restant et marque l’évaluation comme obsolète. Une évaluation active empêche la suppression. Pour supprimer un fine-tuning effectué dans l’interface utilisateur :- Ouvrez la page du fine-tuning effectué.
- Sous Danger Zone, sélectionnez Delete Fine Tune.
- Dans la boîte de dialogue, vérifiez les évaluations concernées et saisissez le nom du modèle pour confirmer.
- Sélectionnez Delete.
API : Supprimer un fine-tune (DELETE /tasks/{alias}/finetunes/{finetuneId})
API : Supprimer un fine-tune (DELETE /tasks/{alias}/finetunes/{finetuneId})
La suppression ne nécessite qu’une seule requête : le serveur détermine lui-même les évaluations concernées et les éléments bloquants.La requête renvoie
202 Accepted avec l’opération de suppression et son statut. Si vous répétez la requête alors que l’opération est en file d’attente, en cours ou terminée, la requête renvoie la même opération. Une requête répétée relance également le nettoyage ayant échoué, dans la portée enregistrée par la requête d’origine. Si le fine-tuning effectué n’existe plus et qu’aucune opération n’est en cours, la requête renvoie 204 No Content, et un GET sur le fine-tuning effectué renvoie 404 Not Found.Pour prévisualiser les évaluations concernées et les éléments bloquants avant de supprimer un fine-tuning effectué, appelez GET /tasks/{alias}/finetunes/{finetuneId}/deletion-plan. Cet aperçu est fourni à titre informatif et indique également le statut d’une suppression en cours. Voir Supprimer un fine-tuning effectué et Prévisualiser la suppression d’un fine-tuning effectué.API : Lister les tâches d’entraînement et les artifacts (GET /tasks/{alias}/finetunes)
API : Lister les tâches d’entraînement et les artifacts (GET /tasks/{alias}/finetunes)
Pour suivre la progression, consulter le statut final et obtenir la référence de l’artifact utilisée dans les évaluations et l’acheminement, utilisez cette requête :Pour démarrer une tâche, utilisez la requête présentée dans Démarrage rapide du fine-tuning. Pour plus d’informations sur cette opération, voir Lister les fine-tunings effectués.