Fine-tuning-ul se blochează exact pe părțile plictisitoare: rânduri JSONL invalide, exemple duplicate și statul cu ochii pe job. Pipeline-ul acesta acoperă tot drumul, direct dintr-un folder Drive.
Fine-tuning-ul se blochează exact pe părțile plictisitoare: rânduri JSONL invalide, exemple duplicate și statul cu ochii pe job. Pipeline-ul acesta acoperă tot drumul, direct dintr-un folder Drive.
Îți preia dataset-ul, validează și curăță formatul, împarte datele în train și validation, apoi pornește fine-tuning-ul și urmărește finalizarea. Primești înapoi ID-ul modelului și loss-ul de validare, tot ce trebuie să faci tu e să indici folderul și să alegi modelul de bază.
Cum funcționează
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.
Curăță rândurile corupte, elimină duplicatele și împarte setul de date în antrenament și validare.
pending
Încarcă fișierul pregătit și lansează un job de fine-tuning pe OpenAI cu modelul de bază ales.
pending
Monitorizează execuția până la final și raportează ID-ul modelului final și pierderea de validare.
pending
Exemplu de 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.