फ्री मशीन पर छोटका मॉडल ट्यून करू आ ओहि उदाहरण सभ पर बदलाव बताउ जे ओ कखनो नहि देखलक।
The Hugging Face page on cheap tuning says these methods train only a small adapter, not the whole model. That extra piece is usually a LoRA. It cuts the compute and storage cost, and lets big models be trained on ordinary hardware. The model's own numbers are left alone, which is why a free notebook is enough. One documented run, from Google's own LoRA tutorial, read on 14 Sep 2026. It tunes Gemma 3 1B on a Colab T4 at LoRA rank 4. One pass over 1,000 examples, batch size 1, inputs cut at 256 tokens. That pass took 923 seconds, about 15 minutes. The tutorial shows replies before and after, not a score, so the kept-aside score is yours to add.
- सस्ता तरीका एक छोट adapter के ट्रेन करैत अछि आ मॉडल के अपने आप छोड़ि दैत अछि।
- तीन सेटिंग अहाँक अछि: LoRA रैंक, ट्रेनिंग के अवधि, आ कतय रुकबाक अछि।
- ओहि उदाहरण सभ पर मापन करू जे अहाँ अलग राखने रही, आ ओहि मापन सँ जे पहिने कएल गेल छल।
Taskफ्री नोटबुक पर एकटा सीमित काज लेल छोटका मॉडल ट्यून करू आ ईमानदारी सँ रिपोर्ट करू।
Weak approach राति भर ट्रेनिंग चलबैत अछि, अंतिम पास के कॉपी राखैत अछि, आ रिपोर्ट करैत अछि जे ट्रेनिंग नंबर लगातार घटैत गेल। अलग राखल गेल चालीस के रन के बाद कखनो स्कोर नहि कएल गेल।
Stronger approach मुफ्त Colab T4 पर LoRA rank 4 पर Gemma 3 1B लोड करैत अछि, जे tutorial के अपन सेटिंग अछि। तीन छोट छोट पास चलबैत अछि आ हर एक पास के बाद राखल गेल चालीस उदाहरण पर स्कोर निकालैत अछि। ओ checkpoint रखैत अछि जे पास में स्कोर सबसँ बेसी भेल, अंतिम पास नहि। पन्ना पर rank, पास, मिनट आ दुनू स्कोर लिखैत अछि।
Why the stronger approach works कमजोर रिपोर्ट ओहि उदाहरण सभ के मापैत अछि जे मॉडल देखलक। मजबूत रिपोर्ट ओहि उदाहरण सभ के मापैत अछि जे मॉडल कखनो नहि देखलक, आ ओ सेटिंग सभ के नाम बतबैत अछि जे संख्याँ निकालल।
Try a changed situation एकटा साथी ट्यून कएल मॉडल साझा करैत अछि आ कहैत अछि जे ई नीक चलैत अछि। ओ कोनो नंबर नहि पठबैत अछि। अहाँ की माँगब?
Make something yourself एकटा छोटका मॉडल ट्यून करू। ओहि अलग राखल उदाहरण सभक पहिले आ बादक स्कोर देखाउ, अपन सेटिंग बताउ, आ पूरा रन में लगल समय लिखू।