Modèles disponibles - CoreWeave Docs

Serverless Training prend actuellement en charge les modèles de fondation suivants, aussi bien pour l’entraînement RL que SFT. Si un modèle qui ne figure pas dans la liste ci-dessous vous intéresse, contactez l’assistance.

Catalogue de modèles

Modèle	Identifiant du modèle (pour l’utilisation de l’API)	Type	Fenêtre de contexte	Paramètres	Description
Google Gemma 4 26B A4B Instruct	`google/gemma-4-26B-A4B-it`	Texte, vision	262k	4B-26B (actifs-total)	Gemma 4 26B A4B est un modèle MoE multimodal qui prend en charge LoRA et l’appel de fonctions pour les flux de travail agentiques.
Meta Llama 3.1 8B	`meta-llama/Llama-3.1-8B-Instruct`	Texte	131k	8B (total)	Modèle conversationnel efficace, optimisé pour des interactions de chatbot multilingues réactives.
NVIDIA Nemotron 3.5 Lightning	`nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B`	Texte	262k	3B-30B (actifs-total)	Nemotron 3.5 Lightning est un modèle MoE conçu pour exécuter des tâches agentiques de manière rapide et fiable dans des cas d’usage tels que les services financiers, la cybersécurité, les télécommunications et la distribution.
Qwen3.8 27B	`Qwen/Qwen3.8-27B`	Texte, vision	262k	27B (total)	Qwen3.8-27B est un modèle multimodal dense adapté au code, à la recherche, à la vision et aux tâches d’agent de longue durée.
Qwen3.6 35B A3B	`Qwen/Qwen3.6-35B-A3B`	Texte, vision	262k	3B-35B (actifs-total)	Qwen3.6-35B-A3B est un modèle MoE multimodal doté d’une fenêtre de contexte de 262K, optimisé pour les flux de travail de codage agentique.

Rang et alpha LoRA

Serverless Training définit le rang et l’alpha LoRA pour chaque modèle de base. Vous ne pouvez pas les modifier à l’aide de l’API ou d’ART. Le rang dépend du modèle de base, et non de la méthode d’entraînement.

Identifiant du modèle (pour l’utilisation de l’API)	Rang LoRA
`google/gemma-4-26B-A4B-it`	1
`meta-llama/Llama-3.1-8B-Instruct`	8
`nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B`	8

Pour vérifier le rang et l’alpha d’un adaptateur que vous avez entraîné, ouvrez le fichier adapter_config.json de son artifact lora et consultez les valeurs r et lora_alpha.

​Catalogue de modèles

​Rang et alpha LoRA

Catalogue de modèles

Rang et alpha LoRA