用途:为常见ML训练场景提供生产可用的训练模板、配置文件与自动化脚本,覆盖文本分类、文本生成、全量微调以及PEFT/LoRA参数高效微调。
主要能力:提供四类场景的搭建脚本与配置模板。分类场景适用于情感分析、意图识别、主题分类、垃圾检测、NER,使用BERT、RoBERTa、DistilBERT等编码器模型;生成场景适用于摘要、问答、聊天机器人、翻译、代码生成,使用GPT-2、T5、BART等模型;全量微调更新全部权重,适合充分数据与算力的领域适配;PEFT/LoRA仅训练少量参数,内存占用低,可在消费级GPU上微调7B以上模型,并支持QLoRA量化。
使用方式:脚本包括setup-classification.sh、setup-generation.sh、setup-fine-tuning.sh、setup-peft.sh,参数为项目名、模型名与类别数/生成类型/任务类型/PEFT方法。例如:./scripts/setup-classification.sh sentiment-model distilbert-base-uncased 3;./scripts/setup-peft.sh efficient-classifier roberta-base lora。配置模板有classification-config.yaml、generation-config.yaml、peft-config.json。训练流程基于datasets加载数据、AutoModel与Trainer/Seq2SeqTrainer训练,并用accuracy、F1或ROUGE/BLEU评估。PEFT需先pip install peft,保存的LoRA适配器约1-10MB。
适用场景与限制:适合需要快速搭建训练管线的分类、生成与微调任务。全量微调需16GB以上显存,训练耗时数小时至数天;PEFT可显著降低显存与时间。资料未提供具体收费、价格与平台支持信息。