Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Importante
O tempo de execução da IA para tarefas de nó único está em Pré-visualização Pública. A API de treino distribuída para cargas de trabalho multi-GPU permanece em Beta.
Estes cadernos ajustam finamente grandes modelos de linguagem (LLMs) no AI Runtime. Abrangem métodos eficientes em termos de parâmetros, como Low-Rank Adaptation (LoRA), e afinação supervisionada completa, abrangendo bibliotecas como TRL, Unsloth, Axolotl e LLM Foundry, com modelos que vão de Qwen2 e Llama até GPT-OSS 120B.
| Tutorial | Descrição |
|---|---|
| Ajustar o modelo Qwen3-4B | Efetue o ajuste fino completo do modelo Qwen3-4B numa única GPU H100 usando Transformer Reinforcement Learning (TRL), com precisão mista BF16 e checkpointing de gradiente para treino com eficiência de memória. |
| Aperfeiçoamento do Llama-3.2-3B com Unsloth | Afina o Llama-3.2-3B usando a biblioteca Unsloth. |
| Aperfeiçoar o GPT-OSS 20B | Afine o modelo gpt-oss-20b da OpenAI em 8 GPUs H100 usando paralelismo de dados distribuído e LoRA para afinação eficiente em termos de parâmetros. |
| Ajuste fino supervisionado usando DeepSpeed e TRL | Utilize a API em Python da Serverless de GPU para executar ajuste fino supervisionado (SFT) usando a biblioteca Transformer Reinforcement Learning (TRL) com otimização DeepSpeed ZeRO Stage 3. |
| Ajuste fino LoRA usando Axolote | Use a API Python da GPU Serverless para afinar um modelo Olmo3 7B usando a biblioteca Axolotl. |
| Ajuste fino distribuído Qwen2-0.5B | Afinar o modelo Qwen2-0.5B usando LoRA e Kernels Liger para treino distribuído eficiente em termos de memória com redução de parâmetros. |
| Ajuste fino distribuído de Llama-3.2-3B com Unsloth | Afina finamente o Llama-3.2-3B usando treino distribuído entre múltiplas GPUs com a biblioteca Unsloth para um treino otimizado em termos de parâmetros eficientes. |
| Ajuste fino do Llama 3.1 8B com LLM Foundry | Aperfeiçoe o modelo Llama 3.1 8B usando o Mosaic LLM Foundry com estratégias de formação distribuída e avaliação de desempenho do modelo. |
| Ajuste fino GPT-OSS 120B com DDP e FSDP | Aperfeiçoar o modelo GPT-OSS 120B da OpenAI usando ajuste fino supervisionado em GPUs H100 com as estratégias de treino distribuído DDP e FSDP. |
| Formação distribuída com PyTorch FSDP | Treine modelos Transformer usando o Fully Sharded Data Parallel (FSDP) do PyTorch para fragmentar os parâmetros do modelo por várias GPUs. |
Demonstração em vídeo
Este vídeo percorre em detalhe o caderno de exemplo Fine-tune Llama-3.2-3B with Unsloth (12 minutos).