Estrutura do banco de dados
| Modelos/Catálogo | Descrição e conteúdo |
|---|---|
| Axolote | Uma estrutura para ajuste fino de modelos de linguagem |
| Gemma | A mais recente implementação do Google do Big Language Model |
– finetune-gemma.ipynb – gemma-sft.py – Gemma_finetuning_notebook.ipynb |
Ajuste fino de notebooks e scripts |
| LLama2 | Modelo de linguagem grande de código aberto da Meta |
– generate_response_stream.py – Llama2_finetuning_notebook.ipynb – Llama_2_Fine_Tuning_using_QLora.ipynb |
Diretrizes de implementação e ajuste fino |
| Llama3 | Próximos experimentos com modelagem de linguagem metagrande |
– Llama3_finetuning_notebook.ipynb |
Experimentos iniciais de ajuste fino |
| LlamaFactory | Uma estrutura para treinamento e implementação de grandes modelos de linguagem |
| LLMArchitecture/ParameterCount | Detalhes técnicos da arquitetura do modelo |
| Mistral-7b | IA Mistral O modelo de 7 bilhões de parâmetros |
– LLM_evaluation_harness_for_Arc_Easy_and_SST.ipynb – Mistral_Colab_Finetune_ipynb_Colab_Final.ipynb – notebooks_chatml_inference.ipynb – notebooks_DPO_fine_tuning.ipynb – notebooks_SFTTrainer TRL.ipynb – SFT.py |
Caderno integrado para avaliação, ajuste fino e raciocínio |
| Mixtral | Modelo de mistura de especialistas da Mixtral |
– Mixtral_fine_tuning.ipynb |
Realização de ajustes finos |
| VLM | modelo de linguagem visual |
– Florence2_finetuning_notebook.ipynb – PaliGemma_finetuning_notebook.ipynb |
Implementação do modelo de linguagem visual |
Visão geral do módulo
1. arquitetura do LLM
- Explore as seguintes implementações de modelos:
- Llama2 (modelo de código aberto do Meta)
- Mistral-7b (modelo eficiente de 7 bilhões de parâmetros)
- Mixtral (arquitetura de mistura especializada)
- Gemma (a mais recente contribuição do Google)
- Llama3 (próximo experimento)
2. 🛠️ tecnologia de ajuste fino
- estratégia de implementação
- Metodologia LoRA (Low Rank Adaptation)
- Métodos avançados de otimização
3. 🏗️ análise da arquitetura do modelo
- Um estudo aprofundado da estrutura do modelo
- Método de cálculo do parâmetro
- Considerações sobre escalabilidade
4. 🔧 Realização profissional
- Code Llama para tarefas de programação
- Modelagem de linguagem visual:
- Florença2
- PaliGemma
5. 💻 Aplicações práticas
- Notebook Jupyter integrado
- Pipeline de geração de respostas
- Guia de implementação de raciocínio
6. 🚀 Temas avançados
- DPO (otimização de preferência direta)
- SFT (ajuste fino supervisionado)
- Metodologia de avaliação
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " Instituto de Engenharia de IA: 3Fine-tuning (ajuste fino de grandes modelos de linguagem)
Português do Brasil 
简体中文 
English 
日本語 
Deutsch