flex_ai下載 - flex_ai源代碼下載

flex_ai

Ai源碼

0.42

下載

Twitter（又稱X）在x上關注我們？安裝getflex/readme.md支持的模型Flexai型號

？完整的例子

 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 )

LLM型號可用於微調

該表提供了可用於微調的大語言模型（LLMS）的概述，該表大約從最知名到最熟悉的訂購。它列出了每個模型的關鍵細節，包括其名稱，家庭，參數計數，上下文長度和其他功能。

模型名稱	家庭	參數（b）	上下文長度	VLLM支持	洛拉支持
NVIDIA-LALAMA-3.1-NEMOTRON-70B-INSTRUCT-HF	Llama3.1	70	131,072	是的	是的
meta-llama-3.2-3b-thrinct	Llama3.2	3	131,072	是的	是的
meta-llama-3.2-1b-thrinct	Llama3.2	1	131,072	是的	是的
Mistral-Small-Instruct-2409	Mistral	7.2	128,000	是的	是的
Ministral-8B-Instruct-2410	Mistral	8	128,000	是的	是的
MATHSTRAL-7B-V0.1	Mistral	7	32,000	是的	是的
QWEN2.5-coder-7b-instruct	qwen2.5	7	32,768	是的	是的
Aya-Expanse-32b	嗯	32	128,000	是的	不
Aya-Expanse-8B	嗯	8	8,000	是的	不
nemotron-mini-4b構造	Nemotron	4	4,096	是的	不
Gemma-2-2b-it	Gemma2	2	8,192	是的	是的
meta-llama-3.1-70B教學	Llama3.1	70	131,072	是的	是的
meta-llama-3.1-70B教學	Llama3.1	70	131,072	是的	是的
meta-llama-3.1-70b	Llama3.1	70	131,072	是的	是的
meta-llama-3.1-8B教學	Llama3.1	8	131,072	是的	是的
meta-llama-3.1-8b	Llama3.1	8	131,072	是的	是的
meta-llama-3-70B教學	Llama3	70	8,192	是的	是的
meta-llama-3-70b	Llama3	70	8,192	是的	是的
meta-llama-3-8b教學	Llama3	8	8,192	是的	是的
meta-llama-3-8b	Llama3	8	8,192	是的	是的
Mixtral-8x7b-instruct-v0.1	混音	46.7	32,768	是的	是的
MISTRAL-7B-INSTRUCT-V0.3	Mistral	7.2	32,768	是的	是的
Mistral-Nemo-Instruct-2407	Mistral	12.2	128,000	不	不
MISTRAL-NEMO-BASE-2407	Mistral	12.2	128,000	不	不
gemma-2-27b-it	Gemma2	27	8,192	是的	是的
Gemma-2-27b	Gemma2	27	8,192	是的	是的
gemma-2-9b-it	Gemma2	9	8,192	是的	是的
Gemma-2-9b	Gemma2	9	8,192	是的	是的
phi-3-medium-128k教學	phi3	14	128,000	是的	不
phi-3-MeDium-4K教學	phi3	14	4,000	是的	不
PHI-3-SMALL-128K教學	phi3	7.4	128,000	是的	不
phi-3-small-8K教學	phi3	7.4	8,000	是的	不
PHI-3-MINI-128K教學	phi3	3.8	128,000	是的	不
PHI-3-MINI-4K教學	phi3	3.8	4,096	是的	不
QWEN2-72B-INSTRUCT	qwen2	72	32,768	是的	是的
QWEN2-72B	qwen2	72	32,768	是的	是的
QWEN2-57B-A14B-INSTRUCT	qwen2	57	32,768	是的	是的
QWEN2-57B-A14B	qwen2	57	32,768	是的	是的
QWEN2-7B教學	qwen2	7	32,768	是的	是的
QWEN2-7B	qwen2	7	32,768	是的	是的
Qwen2-1.5b-trustinct	qwen2	1.5	32,768	是的	是的
qwen2-1.5b	qwen2	1.5	32,768	是的	是的
QWEN2-0.5B-INSTRUCT	qwen2	0.5	32,768	是的	是的
QWEN2-0.5B	qwen2	0.5	32,768	是的	是的
tinyllama_v1.1	Tinyllama	1.1	2,048	不	不
DeepSeek-coder-v2-lite鹼基	DeepSeek-Coder-V2	16	163,840	不	不
internlm2_5-7b-chat	internlm2.5	7.74	1,000,000	是的	不
internlm2_5-7b	internlm2.5	7.74	1,000,000	是的	不
Jamba-V0.1	詹巴	51.6	256,000	是的	是的
yi-1.5-34b-chat	yi-1.5	34.4	4,000	是的	是的
yi-1.5-34b	yi-1.5	34.4	4,000	是的	是的
yi-1.5-34b-32k	yi-1.5	34.4	32,000	是的	是的
yi-1.5-34b-chat-16k	yi-1.5	34.4	16,000	是的	是的
yi-1.5-9b-chat	yi-1.5	8.83	4,000	是的	是的
yi-1.5-9b	yi-1.5	8.83	4,000	是的	是的
yi-1.5-9b-32k	yi-1.5	8.83	32,000	是的	是的
yi-1.5-9b-chat-16k	yi-1.5	8.83	16,000	是的	是的
yi-1.5-6b-chat	yi-1.5	6	4,000	是的	是的
yi-1.5-6b	yi-1.5	6	4,000	是的	是的
C4AI-Command-R-V01	命令r	35	131,072	是的	不