LLM Finetuning
Fine-Tuning mit Prüfstufen und Evaluation vor dem Training
Installation
Claude Code: /plugin marketplace add wshobson/agents → /plugin install llm-finetuning@claude-code-workflows
Açık ağırlıklı bir model uçtan uca ince ayarlanırken, değerlendirme takımı kurulurken ya da bir checkpoint'in yayına çıkıp çıkmayacağına karar verilirken
- Autor
- Seth Hobson
- Lizenz
- MIT
Elf Skills strukturieren den Ablauf: zuerst prüfen, ob Fine-Tuning überhaupt sinnvoll ist, dann die Evaluation aufbauen, Daten kuratieren, trainieren und den Checkpoint freigeben. Veränderliche Fakten werden an RAG und noch nicht gefestigtes Verhalten an den Prompt verwiesen; gelabelte Traces erzeugen sowohl den Golden-Datensatz als auch Trainingsdaten, wobei Golden-Beispiele per ID ausgeschlossen werden, um Datenlecks zu verhindern. Die vierstufige Freigabe verlangt auch einen Sieg gegen das Basismodell in einer paarweisen Arena und unterstützt Methoden von LoRA und QLoRA über DPO bis GRPO sowie den Export als GGUF oder FP8.
Ähnliche Skills
LLM Application Dev
SkillRAG-, Vektorindex- und Prompting-Skills auf LangGraph-Basis
AWS Startup Advisor
SkillAWS-Beratung für Startups: Grundlagen, Migrationen und Credits
DeepEval Skills
SkillEvaluation, Tracing und OpenTelemetry-Export für LLM-Anwendungen
Kommentare(0)
Zum Kommentieren anmelden