파인튜닝 퀵스타트 - CoreWeave Docs

이 퀵스타트에서는 UI에서 준비된 데이터셋으로 작업 특화 모델을 트레이닝하고, 배포된 아티팩트를 평가와 라우팅에 사용하는 방법을 알아봅니다.

시작하기 전에 트레이닝 항목이 포함된 데이터셋을 생성하세요. 재레이블링으로 더 나은 타깃을 생성했다면 해당 재레이블링 run이 완료될 때까지 기다리세요.

Tuned Models 열기

프로젝트에서 Tuned Models를 열고 Fine Tune을 선택하세요.

트레이닝 데이터 선택

준비된 데이터셋을 선택한 다음, 모델이 학습할 타깃으로 원본 출력 또는 완료된 재레이블링 run을 선택하세요.

기본 모델 선택

지원되는 트레이닝 모델 중 하나를 선택하세요. 컴퓨팅 리소스에 여유가 있다면 가장 큰 모델이 가장 좋은 성능을 낼 것이라고 단정하지 말고 여러 후보 모델을 트레이닝해 보세요.

기본값 유지 또는 사용자 지정

파인튜닝 이름은 선택 사항입니다. 첫 run에서는 트레이닝 설정을 자동으로 두세요. run을 직접 설정하려면 사용자 지정 옵션을 펼치세요. 트레이닝 예시 수를 제한하고, 배치 크기와 에포크를 설정하고, 최대 학습률 또는 전체 학습률 스케줄을 지정할 수 있습니다. 트레이닝에 사용할 assistant 턴을 선택하거나 실험적인 W&B Serverless Training 옵션을 전달할 수도 있습니다. 자세한 내용은 트레이닝 매개변수를 참조하세요.

트레이닝 시작

Start training을 선택하세요. 모델은 Queued와 Training 단계를 거치며, UI에 0%부터 100%까지 진행 상황이 표시됩니다.

배포된 아티팩트 사용

상태가 Deployed로 바뀌면 해당 W&B 아티팩트가 UI에 표시되며, wandb-inference를 통해 평가와 라우팅에 사용할 수 있습니다.

다음으로, 프로덕션 트래픽을 보내기 전에 따로 남겨 둔 검증 행으로 파인튜닝 모델을 평가하세요.

API: 트레이닝 시작 (POST /tasks/{alias}/finetunes)

자동 트레이닝 설정을 사용하려면 model_config를 생략하세요.

curl --request POST \
  --url "https://distillation.training.wandb.ai/v1/tasks/ticket-classifier/finetunes" \
  --header "Authorization: Bearer $WANDB_API_KEY" \
  --header "Wandb-Entity: your-team" \
  --header "Content-Type: application/json" \
  --data "{
    \"dataset_id\": \"$DATASET_ID\",
    \"model_name\": \"ticket-classifier-qwen\",
    \"base_model\": \"Qwen/Qwen3-30B-A3B-Instruct-2507\"
  }"

반환된 파인튜닝이 deployed 또는 failed 상태가 될 때까지 폴링하세요. 자세한 내용은 파인튜닝 생성을 참조하세요.

마지막 수정일 2026년 9월 29일