Донавчання зазвичай буксує на нудних дрібницях: криві рядки в JSONL, дублікати прикладів і постійний нагляд за процесом. Цей пайплайн бере на себе весь шлях, починаючи з папки на Drive.
Донавчання зазвичай буксує на нудних дрібницях: криві рядки в JSONL, дублікати прикладів і постійний нагляд за процесом. Цей пайплайн бере на себе весь шлях, починаючи з папки на Drive.
Він забирає ваш датасет, перевіряє та чистить формат, розділяє дані на тренувальну й валідаційну вибірки, запускає донавчання і стежить, щоб воно завершилося. Ви отримуєте ID моделі та похибку валідації — вам залишається лише вказати папку й обрати базову модель.
Як він працює
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.
Очистіть пошкоджені рядки, видаліть дублікати та розділіть набір на тренувальний і валідаційний.
pending
Завантажте підготовлений файл і запустіть процес донавчки OpenAI з обраною базовою моделлю.
pending
Відстежуйте виконання до завершення та повідомляйте фінальний ID моделі та втрату валідації.
pending
Приклад результату
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.