ఉచిత యంత్రంపై చిన్న మోడల్ను ట్యూన్ చేసి, అది ఎప్పుడూ చూడని ఉదాహరణలపై మార్పును నివేదించండి.
Hugging Face పేజీ చీప్ ట్యూనింగ్ గురించి చెప్తుంది, ఈ పద్ధతులు మొత్తం మోడల్ కాకుండా చిన్న adapter ని మాత్రమే ట్రైన్ చేస్తాయి. ఆ అదనపు భాగం సాధారణంగా LoRA. ఇది కంప్యూటింగ్ మరియు స్టోరేజ్ ఖర్చులను తగ్గిస్తుంది, పెద్ద మోడల్స్ సాధారణ హార్డ్వేర్పై ట్రైన్ చేయడానికి వీలు కల్పిస్తుంది. మోడల్ యొక్క స్వంత సంఖ్యలు మార్చబడవు, అందుకే ఉచిత నోట్బుక్ సరిపోతుంది. ఒక డాక్యుమెంటెడ్ రన్, Google యొక్క LoRA ట్యుటోరియల్ నుండి, 14 సెప్టెంబర్ 2026 న చదివింది. ఇది Colab T4 పై LoRA ర్యాంక్ 4 వద్ద Gemma 3 1B ని ట్యూన్ చేస్తుంది. 1,000 ఉదాహరణలపై ఒకసారి, బ్యాచ్ సైజ్ 1, ఇన్పుట్స్ 256 టోకెన్ల వద్ద కట్ చేయబడ్డాయి. ఆ రన్ 923 సెకన్లు, సుమారు 15 నిమిషాలు తీసుకుంది. ట్యుటోరియల్ స్కోరు కాకుండా ముందు మరియు తర్వాత జవాబులు చూపిస్తుంది, కాబట్టి వేరుగా ఉంచిన స్కోరు మీరు జోడించాలి.
- చీప్ పద్ధతి చిన్న అడాప్టర్ను ట్రైన్ చేసి మోడల్ను తాకదు.
- మీకు మూడు సెట్టింగ్స్ ఉన్నాయి: LoRA ర్యాంక్, ట్రైనింగ్ పొడవు, ఎక్కడ ఆపాలో.
- మీరు వేరు పెట్టిన ఉదాహరణలపై, మీరు ముందు వాడిన అదే కొలమానం ఉపయోగించి కొలవండి.
Taskఉచిత నోట్బుక్లో ఒక చిన్న మోడల్ను ఒక చిన్న పని కోసం ట్యూన్ చేసి, నిజాయితీగా నివేదించండి.
Weak approach రాత్రంతా ట్రైనింగ్ చేస్తుంది, చివరి రన్ నుండి కాపీని ఉంచుతుంది, ట్రైనింగ్ సంఖ్యలు స్థిరంగా తగ్గాయని తెలియజేస్తుంది. వేరు పెట్టిన నలభై ఉదాహరణలను రన్ తర్వాత ఎప్పుడూ స్కోర్ చేయలేదు.
Stronger approach ఉచిత Colab T4 పై LoRA ర్యాంక్ 4 వద్ద Gemma 3 1B ని లోడ్ చేస్తుంది, ఇది ట్యుటోరియల్ యొక్క స్వంత సెట్టింగ్. మూడు చిన్న రన్స్ చేస్తుంది మరియు ప్రతి రన్ తర్వాత వేరుగా ఉంచిన 40 ఉదాహరణలపై స్కోరు కొలుస్తుంది. ఆ స్కోరు గరిష్టమైన రన్ యొక్క చెక్పాయింట్ని నిలుపుకుంటుంది, చివరి రన్ కాదు. పేజీపై ర్యాంక్, రన్స్, నిమిషాలు మరియు రెండు స్కోర్లు రాస్తుంది.
Why the stronger approach works బలహీన నివేదిక మోడల్ చూసిన ఉదాహరణలను కొలుస్తుంది. బలమైనది మోడల్ ఎప్పుడూ చూడని ఉదాహరణలను కొలుస్తుంది, మరియు ఆ సంఖ్యను ఉత్పత్తి చేసిన సెట్టింగులను కూడా సూచిస్తుంది.
Try a changed situation ఒక సహచరుడు ట్యూన్ చేసిన మోడల్ను పంచుకుంటూ అది బాగా పనిచేస్తుందని చెప్తాడు. కానీ ఎలాంటి సంఖ్యలు పంపడు. మీరు ఏమి అడుగుతారు?
Make something yourself ఒక చిన్న మోడల్ను ట్యూన్ చేయండి. వేరు పెట్టిన అదే ఉదాహరణలపై ముందు మరియు తర్వాత స్కోర్లు, మీరు వాడిన సెట్టింగ్స్, మొత్తం రన్ ఎంతసేపు తీసుకున్నదో చూపించండి.