> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Serverless SFT を使用する

> OpenPipe の ART フレームワークと Serverless Training API を使用し、Serverless SFT による教師あり学習でモデルをファインチューニングします。

Serverless SFT を使用すると、厳選した入力と出力のサンプルを使った教師あり学習で LLM をファインチューニングできます。Serverless SFT は、ベースモデルをタスクに特化させる低ランクアダプター (LoRA アダプター) をトレーニングし、そのアダプターを Weights & Biases アカウントにアーティファクトとして保存します。さらに、すべてのチェックポイントを [Serverless Inference](/ja/products/inference/serverless) でホストします。Serverless SFT は現在パブリックプレビュー段階です。

Serverless SFT は、[OpenPipe の ART フレームワーク](https://art.openpipe.ai/getting-started/about)経由で実行するか、Serverless Training API を直接呼び出して実行します。

<h2 id="prerequisites">
  前提条件
</h2>

開始する前に、以下が揃っていることを確認してください。

* **Forge アカウント。** お持ちでない場合は、[サインアップ](https://id.coreweave.com/signup)してください。
* **APIキー。** Forge でプロフィールアイコンをクリックし、**Settings** を選択して、**Create new API key** をクリックします。キーは再表示できないため、表示されたらすぐにコピーしてください。このドキュメントのサンプルでは、`WANDB_API_KEY` 環境変数からキーを読み取ります。ART でのキーの設定場所については、ART クイックスタートを参照してください。
* **Weights & Biases の project。** トレーニングメトリクスの記録と、トレーニング済みアダプターの保存に使用します。[Projects](/ja/products/wandb/track/project-page) を参照してください。
* **データセット。** モデルに学習させたい動作を示す、入力と出力の例で構成します。想定される形式については、[ART Serverless SFT のドキュメント](https://art.openpipe.ai/fundamentals/sft-training)を参照してください。
* **ART フレームワーク** (API を直接呼び出さずに ART を使用する場合) 。[ART クイックスタート](https://art.openpipe.ai/getting-started/quick-start)のインストール手順に従ってください。

また、[利用に関する情報と制限](/ja/products/post-training/serverless-training/usage-limits)でコストと制約を確認し、[利用可能なモデル](/ja/products/post-training/serverless-training/available-models)からベースモデルを選択してください。

<h2 id="when-to-use-serverless-sft">
  Serverless SFT を使用するタイミング
</h2>

Serverless SFT は、目的とする動作の例がすでにある場合、またはそうした例を作成できる場合に適しています。

* **蒸留**: より大規模で高性能なモデルの出力でトレーニングすることで、その知識をより小型で高速なモデルに移転します。
* **出力のスタイルと形式の学習**: 特定の応答形式、トーン、構造に従うようにモデルをトレーニングします。
* **RL 前のウォームアップ**: [Serverless RL](/ja/products/post-training/serverless-training/rl) で改善する前に、教師ありの例をモデルに与えます。

結果の良し悪しは判断できても、理想的な回答を事前に用意できない場合は、Serverless RL を使用してください。

<h2 id="train-a-model">
  モデルをトレーニングする
</h2>

<Tabs>
  <Tab title="ART フレームワーク">
    ART は Serverless Training API をラップし、データセット、トレーニング run、チェックポイントを自動で管理します。初めて使用する場合は、この方法をおすすめします。[ART Serverless SFT のドキュメント](https://art.openpipe.ai/fundamentals/sft-training)に従ってデータセットを準備し、トレーニング ジョブを開始してください。
  </Tab>

  <Tab title="Serverless Training API">
    トレーニングを独自のツールに統合する場合は、API を直接呼び出します。

    1. [`POST /v1/preview/models`](/ja/products/post-training/serverless-training/api-reference/models/create-model) でモデルを作成します。
    2. [`POST /v1/preview/sft-training-jobs`](/ja/products/post-training/serverless-training/api-reference/training-jobs/create-sft-training-job) でジョブを開始します。
    3. [`GET /v1/preview/training-jobs/{training_job_id}`](/ja/products/post-training/serverless-training/api-reference/training-jobs/get-training-job) をポーリングし、[ジョブのイベント](/ja/products/post-training/serverless-training/api-reference/training-jobs/get-training-job-events)を取得して進行状況を確認します。
    4. [`GET /v1/preview/models/{model_id}/checkpoints`](/ja/products/post-training/serverless-training/api-reference/models/list-model-checkpoints) でチェックポイントの一覧を取得します。

    API のベース URL と認証の詳細については、[API の概要](/ja/products/post-training/serverless-training/api-reference)を参照してください。
  </Tab>
</Tabs>

<h2 id="after-training">
  トレーニング後
</h2>

トレーニングしたチェックポイントはすべて自動的にホストされます。チェックポイントに推論リクエストを送信するには、[トレーニング済みモデルを使用する](/ja/products/post-training/serverless-training/rl#use-your-trained-models)の説明に従って、チーム、project、モデル名、トレーニングステップからモデルのエンドポイントを構築します。Serverless SFT と Serverless RL のどちらでトレーニングしたモデルにも、同じエンドポイント形式が適用されます。

ストレージを節約するには、不要になったチェックポイントを削除してください。詳しくは、[利用に関する情報と制限](/ja/products/post-training/serverless-training/usage-limits#model-storage)を参照してください。