Dostrajanie modelu wywraca się zwykle na nudnych drobiazgach: błędnych wierszach JSONL, zduplikowanych przykładach i ciągłym pilnowaniu zadania. Ten pipeline ogarnia całą drogę od folderu w Drive.
Dostrajanie modelu wywraca się zwykle na nudnych drobiazgach: błędnych wierszach JSONL, zduplikowanych przykładach i ciągłym pilnowaniu zadania. Ten pipeline ogarnia całą drogę od folderu w Drive.
Pobiera Twój zbiór danych, sprawdza i czyści format, dzieli go na część treningową i walidacyjną, a następnie uruchamia dostrajanie i czuwa, aż dobiegnie końca. W zamian dostajesz ID modelu i jego stratę walidacyjną, więc jedyne, co robisz, to wskazujesz folder i wybierasz model bazowy.
Jak działa
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.
Wyczyść niepoprawne wiersze, usuń duplikaty przykładów i podziel zbiór na treningowy oraz walidacyjny.
pending
Prześlij przygotowany plik i uruchom zadanie dostrajania (fine-tuning) w OpenAI, wybierając odpowiedni model bazowy.
pending
Śledź przebieg procesu do końca i podaj końcowe ID modelu oraz stratę walidacyjną.
pending
Przykładowe wyjście
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.