flex_ai

Twitter (aka x) ติดตามเราใน x - การติดตั้ง getFlex/readme.md รุ่นที่รองรับ รุ่น Flexai

- ตัวอย่างเต็ม

 from flex_ai import FlexAI
from openai import OpenAI
import time

# Initialize the Flex AI client
client = FlexAI ( api_key = "your_api_key_here" )

# Create dataset - for all datasets [here](https://docs.getflex.ai/quickstart#upload-your-first-dataset)
dataset = client . create_dataset (
    "API Dataset New" ,
    "instruction/train.jsonl" ,
    "instruction/eval.jsonl"
)

# Start a fine-tuning task
task = client . create_finetune (
    name = "My Task New" ,
    dataset_id = dataset [ "id" ],
    model = "meta-llama/Llama-3.2-1B-Instruct" ,
    n_epochs = 5 ,
    train_with_lora = True ,
    lora_config = {
        "lora_r" : 64 ,
        "lora_alpha" : 8 ,
        "lora_dropout" : 0.1
    },
    n_checkpoints_and_evaluations_per_epoch = 1 ,
    batch_size = 4 ,
    learning_rate = 0.0001 ,
    save_only_best_checkpoint = True
)

# Wait for training completion
client . wait_for_task_completion ( task_id = task [ "id" ])

# Wait for last checkpoint to be uploaded
while True :
    checkpoints = client . get_task_checkpoints ( task_id = task [ "id" ])
    if checkpoints and checkpoints [ - 1 ][ "stage" ] == "FINISHED" :
        last_checkpoint = checkpoints [ - 1 ]
        checkpoint_list = [{
            "id" : last_checkpoint [ "id" ],
            "name" : "step_" + str ( last_checkpoint [ "step" ])
        }]
        break
    time . sleep ( 10 )  # Wait 10 seconds before checking again

# Create endpoint
endpoint_id = client . create_multi_lora_endpoint (
    name = "My Endpoint New" ,
    lora_checkpoints = checkpoints_list ,
    compute = "A100-40GB"
)
endpoint = client . wait_for_endpoint_ready ( endpoint_id = endpoint_id )

# Use the model
openai_client = OpenAI (
    api_key = "your_api_key_here" ,
    base_url = f" { endpoint [ 'url' ] } /v1"
)
completion = openai_client . completions . create (
    model = "meta-llama/Llama-3.2-1B-Instruct" ,
    prompt = "Translate the following English text to French" ,
    max_tokens = 60
)

print ( completion . choices [ 0 ]. text )

รุ่น LLM มีให้สำหรับการปรับแต่ง

ตารางนี้ให้ภาพรวมของแบบจำลองภาษาขนาดใหญ่ (LLMS) สำหรับการปรับแต่งโดยประมาณจากที่รู้จักกันดีที่สุดจนถึงน้อยที่สุด มันแสดงรายละเอียดคีย์สำหรับแต่ละรุ่นรวมถึงชื่อครอบครัวจำนวนพารามิเตอร์ความยาวบริบทและคุณสมบัติเพิ่มเติม

ชื่อนางแบบ	ตระกูล	พารามิเตอร์ (B)	ความยาวบริบท	รองรับ VLLM	การสนับสนุน Lora
NVIDIA-LLAMA-3.1-NEMOTRON-70B-Instruct-HF	llama3.1	70	131,072	ใช่	ใช่
Meta-Llama-3.2-3b-Instruct	llama3.2	3	131,072	ใช่	ใช่
Meta-Llama-3.2-1B-Instruct	llama3.2	1	131,072	ใช่	ใช่
Mistral-Small-Instruct-2409	ผิดพลาด	7.2	128,000	ใช่	ใช่
MINISTRAL-8B-Instruct-2410	ผิดพลาด	8	128,000	ใช่	ใช่
MathStral-7B-V0.1	ผิดพลาด	7	32,000	ใช่	ใช่
QWEN2.5-CODER-7B-Instruct	Qwen2.5	7	32,768	ใช่	ใช่
Aya-Expanse-32b	aya	32	128,000	ใช่	เลขที่
Aya-Expanse-8b	aya	8	8,000	ใช่	เลขที่
Nemotron-Mini-4b-Instruct	Nemotron	4	4,096	ใช่	เลขที่
Gemma-2-2b-it	Gemma2	2	8,192	ใช่	ใช่
Meta-Llama-3.1-70B-Instruct	llama3.1	70	131,072	ใช่	ใช่
Meta-Llama-3.1-70B-Instruct	llama3.1	70	131,072	ใช่	ใช่
meta-llama-3.1-70b	llama3.1	70	131,072	ใช่	ใช่
Meta-Llama-3.1-8B-Instruct	llama3.1	8	131,072	ใช่	ใช่
meta-llama-3.1-8b	llama3.1	8	131,072	ใช่	ใช่
Meta-Llama-3-70B-Instruct	ลามะ 3	70	8,192	ใช่	ใช่
meta-llama-3-70b	ลามะ 3	70	8,192	ใช่	ใช่
Meta-Llama-3-8B-Instruct	ลามะ 3	8	8,192	ใช่	ใช่
meta-llama-3-8b	ลามะ 3	8	8,192	ใช่	ใช่
MixTRAL-8X7B-Instruct-V0.1	มิกซ์	46.7	32,768	ใช่	ใช่
MISTRAL-7B-Instruct-V0.3	ผิดพลาด	7.2	32,768	ใช่	ใช่
Mistral-Nemo-Instruct-2407	ผิดพลาด	12.2	128,000	เลขที่	เลขที่
Mistral-Nemo-Base-2407	ผิดพลาด	12.2	128,000	เลขที่	เลขที่
Gemma-2-27b-it	Gemma2	27	8,192	ใช่	ใช่
Gemma-2-27b	Gemma2	27	8,192	ใช่	ใช่
Gemma-2-9b-it	Gemma2	9	8,192	ใช่	ใช่
Gemma-2-9b	Gemma2	9	8,192	ใช่	ใช่
PHI-3-Medium-128K-Instruct	Phi3	14	128,000	ใช่	เลขที่
PHI-3-Medium-4K-Instruct	Phi3	14	4,000	ใช่	เลขที่
PHI-3-SMALL-128K-Instruct	Phi3	7.4	128,000	ใช่	เลขที่
PHI-3-SMALL-8K-Instruct	Phi3	7.4	8,000	ใช่	เลขที่
PHI-3-MINI-128K-Instruct	Phi3	3.8	128,000	ใช่	เลขที่
PHI-3-MINI-4K-Instruct	Phi3	3.8	4,096	ใช่	เลขที่
QWEN2-72B-Instruct	Qwen2	72	32,768	ใช่	ใช่
QWEN2-72B	Qwen2	72	32,768	ใช่	ใช่
QWEN2-57B-A14B-Instruct	Qwen2	57	32,768	ใช่	ใช่
QWEN2-57B-A14B	Qwen2	57	32,768	ใช่	ใช่
QWEN2-7B-Instruct	Qwen2	7	32,768	ใช่	ใช่
QWEN2-7B	Qwen2	7	32,768	ใช่	ใช่
QWEN2-1.5B-Instruct	Qwen2	1.5	32,768	ใช่	ใช่
QWEN2-1.5B	Qwen2	1.5	32,768	ใช่	ใช่
QWEN2-0.5B-Instruct	Qwen2	0.5	32,768	ใช่	ใช่
QWEN2-0.5B	Qwen2	0.5	32,768	ใช่	ใช่
tinyllama_v1.1	tinyllama	1.1	2,048	เลขที่	เลขที่
Deepseek-Coder-V2-lite-base	DEEPSEEEK-CODER-V2	16	163,840	เลขที่	เลขที่
internlm2_5-7b-chat	internlm2.5	7.74	1,000,000	ใช่	เลขที่
internlm2_5-7b	internlm2.5	7.74	1,000,000	ใช่	เลขที่
jamba-v0.1	กระวนกระวายใจ	51.6	256,000	ใช่	ใช่
yi-1.5-34b-chat	Yi-1.5	34.4	4,000	ใช่	ใช่
yi-1.5-34b	Yi-1.5	34.4	4,000	ใช่	ใช่
yi-1.5-34b-32k	Yi-1.5	34.4	32,000	ใช่	ใช่
yi-1.5-34b-chat-16k	Yi-1.5	34.4	16,000	ใช่	ใช่
yi-1.5-9b-chat	Yi-1.5	8.83	4,000	ใช่	ใช่
yi-1.5-9b	Yi-1.5	8.83	4,000	ใช่	ใช่
yi-1.5-9b-32k	Yi-1.5	8.83	32,000	ใช่	ใช่
yi-1.5-9b-chat-16k	Yi-1.5	8.83	16,000	ใช่	ใช่
yi-1.5-6b-chat	Yi-1.5	6	4,000	ใช่	ใช่
yi-1.5-6b	Yi-1.5	6	4,000	ใช่	ใช่
C4AI-Command-R-V01	command-r	35	131,072	ใช่	เลขที่

หมายเหตุ:

• "VLLM Support" ระบุว่าโมเดลนั้นเข้ากันได้กับกรอบการอนุมาน VLLM (แบบจำลองภาษาที่มีขนาดใหญ่มาก) หรือไม่
• "LORA Support" ระบุว่า VLLM สนับสนุนการอนุมานแบบจำลองด้วยอะแดปเตอร์ LORA หลายตัวหรือไม่ อ่านเพิ่มเติม
• ความยาวบริบทวัดเป็นโทเค็น (บริบทของโมเดลสามารถเปลี่ยนแปลงได้โดยไลบรารีการอนุมานเป้าหมาย)
• จำนวนพารามิเตอร์แสดงเป็นพันล้าน (b)
• ลิงก์นำไปสู่หน้าของโมเดลเกี่ยวกับการกอดหน้าหรือเว็บไซต์อย่างเป็นทางการเมื่อพร้อมใช้งาน

ตารางนี้ให้ภาพรวมที่ครอบคลุมของรุ่นที่มีขนาดขนาดความสามารถและการสนับสนุนสำหรับเทคนิคการปรับจูนต่างๆ เมื่อเลือกแบบจำลองสำหรับการปรับแต่งให้พิจารณาปัจจัยต่าง ๆ เช่นขนาดของแบบจำลองความยาวบริบทและการสนับสนุนสำหรับเทคนิคการเพิ่มประสิทธิภาพเฉพาะเช่น VLLM และ LORA

ขยาย