finetune-lora
LoRA-Fine-Tuning mit Evaluierung
Das Referenz-Fine-Tuning: Zero-Shot- und 3-Shot-Baselines, ein Gate, das abbricht, wenn Few-Shot bereits gut genug ist, LoRA-SFT mit TRL und PEFT sowie eine Evaluierung mit dem Adapter. Standard-Basismodell Qwen3-4B-Instruct-2507 (Apache-2.0); standardmäßig On-Demand-A10G (überschreiben Sie sku mit a10g-24gb-x1-spot, sobald der Katalog sie anbietet). Eingabe ist ein einzelnes data.tar.gz aus finetune/prepare_data.py --archive; der Adapter kommt als adapter.tar.gz zurück, das batch-infer-lora als Eingabe verwendet.
- Status
- Verfügbar
- GPU
- NVIDIA A10G · 24 GB
a10g-24gb-x1 - Standardlaufzeit
- maximal 2 h
- Herausgeber
- Unify Compute
Was gelesen und geschrieben wird
Eingabe /mnt/in | data.tar.gz aus finetune/prepare_data.py --archive: train.jsonl, val.jsonl, test.jsonl und optional schema.json (wird verwendet, wenn SCHEMA leer ist). Eine Datei; der Befehl entpackt sie. |
|---|---|
Ausgabe /mnt/out | eval_zero_shot.json, eval_few_shot.json, eval_lora.json, adapter/ und adapter.tar.gz, timestamps.json und RESULT (completed oder task_not_worth_finetuning) |
Was Sie ändern können
Beim Einreichen lässt sich Folgendes festlegen: GPU (SKU) (sku), Cloud-Platzierung (providers), Umgebungsvariablen (spec.env), Maximale Laufzeit (spec.max_runtime_seconds). Das Image sowie die deklarierten Ein- und Ausgaben sind fest: Ein anderes Image ist eine andere Vorlage.
BASE_MODEL | Qwen/Qwen3-4B-Instruct-2507 |
|---|---|
FEW_SHOT_GATE | 0.95 |
SCHEMA | "" |
Ausführen
Mit einem Schlüssel in $UNIFY_KEY (siehe Schnellstart) geben Sie jeder Eingabe eine öffentliche oder vorsignierte https://-URL, die auf den oben genannten Dateinamen endet:
curl -s https://api.compute.unifyai.us/compute/v1/jobs \
-H "Authorization: Bearer $UNIFY_KEY" \
-H "Content-Type: application/json" \
-d '{
"template": "finetune-lora",
"spec": {
"inputs": [
{
"source": "https://YOUR-BUCKET.s3.amazonaws.com/data.tar.gz",
"mount": "/mnt/in"
}
]
}
}'Der Job wird nach der genutzten GPU-Zeit zum Tarif der SKU abgerechnet, genau wie ein Job, den Sie selbst schreiben.
Während der Einführung wird die GPU-Job-Ausführung pro Konto freigeschaltet. Legen Sie ein Konto an und bitten Sie uns dann um die Freischaltung, wie im Schnellstart beschrieben.
Herkunft des Images
| Image | ghcr.io/felixsphere/unify-compute-finetune:finetune-2026-10-04 |
|---|---|
| Digest | sha256:6d426175dcd0e2443df6da9cf68e96c079abe5a8b80d9f488d09019536272ac1 |
| Lizenz | Apache-2.0 |
| Quelle | ghcr.io/felixsphere/unify-compute-finetune, built by publish-image.yml run 37266527011 from main 150de552 (finetune/Dockerfile on vllm/vllm-openai:v0.30.0-cu129@sha256:a67f8f18…, Apache-2.0; adds TRL 1.14.1, PEFT 0.21.2, datasets 5.0.1, accelerate 1.15.0, jsonschema 4.26.0 and torchvision 0.29.0+cu130, removes torchaudio; linux/amd64 only; licences in THIRD-PARTY-LICENSES.md, Workload images) |
Ausgeführt wird der Digest. Ein Tag kann neu gepusht werden, ein Digest nicht. Ihr Job lädt also genau das, was geprüft wurde.