SageMaker AI Serverless Model Customization เพิ่มความสามารถ Full Fine-Tuning
เริ่มตรงนี้
Amazon SageMaker AI's Serverless Model Customization รองรับ Full Fine-Tuning (FFT) แล้ว ทำให้ทีมต่างๆ สามารถ fine-tune โมเดลภาษาขนาดใหญ่ได้โดยไม่ต้องจัดเตรียม GPU ตั้งค่าคลัสเตอร์ หรือกำหนดค่าการฝึกแบบ distributed AWS กล่าว งานสามารถกำหนดค่าและเริ่มต้นได้ผ่านโปรแกรมด้วย SageMaker Python SDK AWS รายงานว่าบนโมเดลฐาน Qwen3-4B ที่ฝึกด้วยชุดข้อมูล Magicoder-Evol-Instruct-110K นั้น FFT ทำคะแนน LLM-as-Judge semantic correctness ในการสร้างโค้ดได้ 90.0 เปอร์เซ็นต์ ด้วยตัวอย่างการฝึกมากกว่า 100K ตัวอย่าง ซึ่งดีกว่า LoRA การสลับระหว่างสองวิธีนี้เพียงต้องเปลี่ยน TrainingType.FULL เป็น TrainingType.LORA
สร้างจากรายงาน · อัปเดต 18 ชม. ที่แล้ว
ไทม์ไลน์รายงาน
ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน
- AWS Machine Learning BlogFull Fine-Tuning (FFT) ใช้งานได้แล้วบน SageMaker AI Serverless Model Customization
Amazon SageMaker AI Serverless Model Customization รองรับ Full Fine-Tuning (FFT) แล้ว ทำให้ทีมสามารถปรับแต่ง LLM ได้โดยไม่ต้องจัดสรร GPU ตั้งค่าคลัสเตอร์ หรือกำหนดค่าการฝึกแบบกระจาย บนโมเดลฐาน Qwen3-4B ที่ฝึกด้วยชุดข้อมูล Magicoder-Evol-Instruct-110K FFT ทำความถูกต้องเชิงความหมายตาม LLM-as-Judge ได้ 90.0 เปอร์เซ็นต์ในการสร้างโค้ดเมื่อมีตัวอย่างการฝึก 100K+ ตัวอย่าง ซึ่งดีกว่า LoRA
ความร้อนแรงของเหตุการณ์นี้
- ช่วงปัจจุบันที่เทียบได้
- 6
- จุดสูงสุดในช่วงที่เทียบได้
- 1019 พฤศจิกายน 10:00
- การเปลี่ยนแปลงใน 24 ชั่วโมง
- –
แนวโน้มนี้เปรียบเทียบผู้ร่วมพูดถึงชุดเดียวกันในช่วงเวลาที่เฝ้าดูต่อเนื่อง ช่วงจึงอาจแคบกว่าคะแนนความร้อนปัจจุบัน วางเมาส์หรือแตะกราฟเพื่อดูความร้อนรายชั่วโมง กดลูกศรเพื่อเลื่อนดู