Fine-tuning stopper opp på de kjedelige delene: dårlige JSONL-rader, dupliserte eksempler og babysitting av jobben. Denne pipelinen håndterer hele løpet fra en Drive-mappe.
Fine-tuning stopper opp på de kjedelige delene: dårlige JSONL-rader, dupliserte eksempler og babysitting av jobben. Denne pipelinen håndterer hele løpet fra en Drive-mappe.
Den henter datasettet ditt, validerer og renser formatet, deler train og validation, og starter deretter fine-tunen og passer på at den blir ferdig. Du får tilbake modell-ID-en og dens validation loss, så det eneste du gjør er å peke den mot mappen og velge en basismodell.
Slik kjører den
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Rens opp i feilformaterte rader, dedupliser eksempler og del settet i train og validation.
pending
Last opp den klargjorte filen og start en OpenAI fine-tuning-jobb med den valgte basismodellen.
pending
Følg kjøringen til den er ferdig og rapporter endelig modell-ID og validation loss.
pending
Eksempel på output
json
// Sample output
// (generated when the pipeline finishes)
Take a Drive dataset folder, validate and prepare it, launch an OpenAI fine-tune, and report the model ID and loss.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.