Bevor Sie beginnen
Schließen Sie den Schnellstart für benutzerdefinierte Loops ab und prüfen Sie anschließend über die Fähigkeiten, ob das ausgewählte Modell und die Trainingsoperationen aktiviert sind. Die folgenden Snippets konzentrieren sich auf den benutzereigenen Reward-Ablauf; passen Sie die Erstellung der Datums antinker==0.33.1 und Ihr ausgewähltes Modell an.
Dieser Leitfaden ist kein eigenständiges Trainingsprogramm zum Kopieren und
Einfügen. Beginnen Sie mit einem validierten SDK-Workload, dessen Renderer und
Datum-Erstellung zum ausgewählten Modell passen, und ergänzen Sie anschließend
den folgenden Reward-Ablauf.
1. Eng gefassten Grader definieren
Trennen Sie Parsing und Bewertung, damit fehlerhafte Ausgaben beobachtbar sind:2. Job für Sampling als Snapshot speichern
Erstellen Sie aus den aktuellen Gewichten einen Sampler-Checkpoint und lösen Sie ihn anschließend über das SDK auf:3. Rewards in Advantages umwandeln
4. Ausgerichtete Datums erstellen
Der Prompt ist Kontext und erhält daher normalerweise einen Advantage von null. Positionen der Vervollständigung erhalten den gruppenrelativen Advantage der Antwort. Ein Datum-Builder sollte vor dem Senden fehlschlagen, wenn sich die Längen von Modelleingabe, Ziel, Log-Wahrscheinlichkeit und Advantage unterscheiden:base_model
zugeordnet sind. Behalten Sie die gesampelten Tokens und
Log-Wahrscheinlichkeiten, die von der aus den Fähigkeiten ausgewählten
SDK-Operation benötigt werden.
5. Interaktiven Job aktualisieren
Für einen aktivierten Importance-Sampling-Workflow lautet das SDK-Aufrufmuster:6. Wiederherstellungsgrenze speichern
- der kanonischen Job-ID aus
training_client.get_info().model_data.model_id, - Anwendungsschritt und Datensatz-Cursor,
- Revisionen von Datensatz und Reward-Implementierung,
- Basismodell und Trainingskonfiguration,
- Evaluierungsmetriken.
Vor dem Skalieren prüfen
- Der Grader unterscheidet bekannte richtige und falsche Fixtures.
- Fehlerhafte Antworten bringen den Anwendungsloop nicht zum Absturz.
- Mindestens eine Sample-Gruppe weist Reward-Varianz auf.
- Datum-Arrays entsprechen den erwarteten Formen des installierten SDK.
- Forward-/Backward- und Optimizer-Futures werden auf demselben Job abgeschlossen.
- Ein Status-Checkpoint kann mit seinen clientseitigen Metadaten zur Fortsetzung geladen werden.
- Die zurückgehaltene Evaluierung bleibt vom Trainings-Reward-Batch getrennt.

