> ## 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 사용하기

> OpenPipe의 ART 프레임워크와 Serverless Training API를 사용하여 Serverless SFT로 모델을 지도 학습 방식으로 파인튜닝하세요.

Serverless SFT를 사용하면 선별한 입력 및 출력 예시로 LLM을 지도 학습 방식으로 파인튜닝할 수 있습니다. Serverless SFT는 기본 모델을 사용자의 작업에 특화하는 저랭크 어댑터(LoRA)를 트레이닝하고, 이 어댑터를 Weights & Biases 계정에 아티팩트로 저장하며, 모든 체크포인트를 [Serverless Inference](/ko/products/inference/serverless)에서 호스팅합니다. Serverless SFT는 현재 공개 프리뷰 단계입니다.

Serverless SFT는 [OpenPipe의 ART 프레임워크](https://art.openpipe.ai/getting-started/about)를 통해 실행하거나 Serverless Training API로 직접 실행할 수 있습니다.

<h2 id="prerequisites">
  사전 요구 사항
</h2>

시작하기 전에 다음 항목을 준비하세요.

* **Forge 계정.** 계정이 없다면 [가입](https://id.coreweave.com/signup)하세요.
* **API 키.** Forge에서 프로필 아이콘을 클릭하고 **Settings**를 선택한 다음 **Create new API key**를 클릭하세요. 키는 다시 확인할 수 없으므로 표시될 때 바로 복사해 두세요. 이 문서의 예시에서는 `WANDB_API_KEY` 환경 변수에서 키를 읽어 옵니다. ART에서 키를 어디에 설정해야 하는지는 ART 퀵스타트를 참조하세요.
* 트레이닝 메트릭을 기록하고 트레이닝된 어댑터를 저장할 **Weights & Biases 프로젝트**. [Projects](/ko/products/wandb/track/project-page)를 참조하세요.
* 모델이 학습할 동작을 보여 주는 입력 및 출력 예시로 구성된 **데이터셋**. 필요한 형식은 [ART Serverless SFT 문서](https://art.openpipe.ai/fundamentals/sft-training)에 설명되어 있습니다.
* **ART 프레임워크**(API를 직접 호출하지 않고 ART를 사용하는 경우). [ART 퀵스타트](https://art.openpipe.ai/getting-started/quick-start)의 설치 단계를 따르세요.

또한 [사용 정보 및 제한](/ko/products/post-training/serverless-training/usage-limits)을 검토하여 비용과 제약 사항을 파악하고, [사용 가능한 모델](/ko/products/post-training/serverless-training/available-models)에서 기본 모델을 선택하세요.

<h2 id="when-to-use-serverless-sft">
  Serverless SFT를 사용해야 하는 경우
</h2>

원하는 동작의 예시를 이미 가지고 있거나 만들 수 있다면 Serverless SFT가 적합합니다.

* **증류(Distillation)**: 더 크고 성능이 뛰어난 모델의 출력으로 트레이닝하여 그 지식을 더 작고 빠른 모델로 이전합니다.
* **출력 스타일 및 형식 학습**: 특정 응답 형식, 어조 또는 구조를 따르도록 모델을 트레이닝합니다.
* **RL 전 워밍업**: [Serverless RL](/ko/products/post-training/serverless-training/rl)로 모델을 개선하기 전에 지도 학습용 예시를 먼저 제공합니다.

결과를 평가할 수는 있지만 이상적인 답을 미리 작성할 수 없다면 Serverless RL을 사용하세요.

<h2 id="train-a-model">
  모델 트레이닝
</h2>

<Tabs>
  <Tab title="ART 프레임워크">
    ART는 Serverless Training API를 래핑하여 데이터셋, 트레이닝 run, 체크포인트를 대신 관리해 줍니다. 처음 시작할 때는 이 방법을 권장합니다. [ART Serverless SFT 문서](https://art.openpipe.ai/fundamentals/sft-training)를 참고하여 데이터셋을 준비하고 트레이닝 작업을 시작하세요.
  </Tab>

  <Tab title="Serverless Training API">
    트레이닝을 자체 도구에 통합하려면 API를 직접 호출하세요.

    1. [`POST /v1/preview/models`](/ko/products/post-training/serverless-training/api-reference/models/create-model)로 모델을 생성합니다.
    2. [`POST /v1/preview/sft-training-jobs`](/ko/products/post-training/serverless-training/api-reference/training-jobs/create-sft-training-job)로 작업을 시작합니다.
    3. [`GET /v1/preview/training-jobs/{training_job_id}`](/ko/products/post-training/serverless-training/api-reference/training-jobs/get-training-job)를 폴링하고 [작업 이벤트](/ko/products/post-training/serverless-training/api-reference/training-jobs/get-training-job-events)를 조회하여 진행 상황을 확인합니다.
    4. [`GET /v1/preview/models/{model_id}/checkpoints`](/ko/products/post-training/serverless-training/api-reference/models/list-model-checkpoints)로 체크포인트 목록을 조회합니다.

    API base URL과 인증에 관한 자세한 내용은 [API 개요](/ko/products/post-training/serverless-training/api-reference)를 참조하세요.
  </Tab>
</Tabs>

<h2 id="after-training">
  트레이닝 후
</h2>

트레이닝한 모든 체크포인트는 자동으로 호스팅됩니다. 체크포인트에 추론 요청을 보내려면 [트레이닝된 모델 사용하기](/ko/products/post-training/serverless-training/rl#use-your-trained-models)에 설명된 대로 팀, 프로젝트, 모델 이름, 트레이닝 단계를 조합해 모델 엔드포인트를 구성하세요. Serverless SFT와 Serverless RL로 트레이닝된 모델에도 동일한 엔드포인트 형식이 적용됩니다.

저장소 공간을 절약하려면 더 이상 필요하지 않은 체크포인트를 삭제하세요. 자세한 내용은 [사용 정보 및 제한](/ko/products/post-training/serverless-training/usage-limits#model-storage)을 참조하세요.