1천건 · 관련도순
Implementação educacional do GPT em ~300 linhas. Reproduz o GPT-2 (124M) em OpenWebText. Código limpo e hackeável para aprender transformers. Por Andrej Karpathy. Perfeito para entender a arquitetura do GPT do zero. Treine em Shakespeare (CPU) ou OpenWebText (multi-GPU).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Fornece orientação para treinar e analisar Autoencodificadores Esparsos (SAEs) usando SAELens para decompor ativações de redes neurais em features interpretáveis. Use ao descobrir features interpretáveis, analisar superposição ou estudar representações monossemânticas em modelos de linguagem.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Orientação especializada para fine-tuning rápido com Unsloth - treinamento 2-5x mais rápido, 50-80% menos memória, otimização LoRA/QLoRA
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Visualize métricas de treinamento, depure modelos com histogramas, compare experimentos, visualize grafos de modelos e perfil de desempenho com TensorBoard - kit de visualização de ML do Google
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Instâncias GPU em nuvem reservadas e sob demanda para treinamento e inferência de ML. Use quando você precisar de instâncias GPU dedicadas com acesso SSH simples, sistemas de arquivos persistentes ou clusters multi-node de alto desempenho para treinamento em larga escala.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Quantização pós-treinamento em 4-bits para LLMs com perda mínima de precisão. Use para implantar modelos grandes (70B, 405B) em GPUs de consumo, quando você precisa de redução de memória 4× com <2% de degradação de perplexidade, ou para inferência mais rápida (aceleração de 3-4×) vs FP16. Integra com transformers e PEFT para fine-tuning QLoRA.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Orquestração de treinamento distribuído em clusters. Escala PyTorch/TensorFlow/HuggingFace do laptop para milhares de nós. Ajuste de hiperparâmetros integrado com Ray Tune, tolerância a falhas, escalabilidade elástica. Use ao treinar modelos massivos em múltiplas máquinas ou executar varreduras distribuídas de hiperparâmetros.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Mescle múltiplos modelos ajustados usando mergekit para combinar capacidades sem retreinar. Use ao criar modelos especializados misturando expertise específica de domínio (math + coding + chat), melhorando performance além de modelos únicos, ou experimentando rapidamente variantes de modelos. Cobre SLERP, TIES-Merging, DARE, Task Arithmetic, mesclagem linear e estratégias de deploy em produção.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
API de treinamento distribuído mais simples. 4 linhas para adicionar suporte distribuído a qualquer script PyTorch. API unificada para DeepSpeed/FSDP/Megatron/DDP. Posicionamento automático de device, precisão mista (FP16/BF16/FP8). Config interativo, comando de launch único. Padrão do ecossistema HuggingFace.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Curação de dados acelerada por GPU para treinamento de LLM. Suporta texto/imagem/vídeo/áudio. Recursos incluem deduplicação fuzzy (16× mais rápida), filtragem de qualidade (30+ heurísticas), deduplicação semântica, redação de PII, detecção NSFW. Escala em GPUs com RAPIDS. Use para preparar datasets de treinamento de alta qualidade, limpar dados web ou deduplicar grandes corpora.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Retrieve the current system date and time to anchor the agent in present reality. Use for questions involving today, current time, recent events, or information newer than the model's training data to prevent knowledge-cutoff errors and fictionalization of real facts.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Plan reproducible ML experiment runs with explicit parameters, metrics, and artifacts. Use before model training to standardize tracking-ready experiment definitions.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Comprehensive Lean Six Sigma consulting skill supporting all belt levels (White Belt to Master Black Belt). Use this skill for DMAIC/DMADV project execution, Lean waste elimination (VSM, 8 Wastes/DOWNTIME, 5S), statistical analysis (process capability Cp/Cpk, control charts, hypothesis testing), and Six Sigma training/education. Triggers include "improve process", "reduce defects", "sigma level", "DMAIC project", "value stream mapping", "Kaizen", "process capability", "control chart", "root cause analysis", "5 Whys", "Fishbone diagram", "FMEA", "DOE", or requests involving process improvement methodologies.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
MUST USE when the user needs current, online, or web-derived information — news, latest releases, vendor docs, real-world examples, recent changes, or anything not in the model's training set. LLM-neutral skill that exposes a unified web search CLI behind a single command. Runs single or multi-provider in parallel, saves raw + normalized JSON to a temp directory, prints the path so callers can pipe through rg / jq / grep. Zero-config out of the box. Works identically on macOS, Linux, WSL, Git Bash for Windows, and any environment with Python 3.8+. Triggers: 'search the web', 'look up online', 'google this', 'find current information', 'latest news', 'recent docs', 'check the internet', 'web search', 'browser search', 'research this', 'what is the latest', 'who is X', 'find examples of', 'is there documentation for', 'how do people solve', 'web-search', 'web_search'.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Azure Machine Learning SDK v2 for Python. Use for ML workspaces, jobs, models, datasets, compute, and pipelines. Triggers: "azure-ai-ml", "MLClient", "workspace", "model registry", "training jobs", "datasets".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Identify poisoned training data and backdoored models across the ML pipeline.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Design and execute a social engineering penetration test including phishing, vishing, smishing, and physical pretexting campaigns to measure human security resilience and identify training gaps.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Use at the end of every important response. Save your decision-making thoughts as a signed A2A insight so they become training data for future fine-tuning.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Plan and prepare an OpenAmer-specific fine-tune from the collected brain data: data curation, ChatML JSONL, training, evaluation. 'The organism becomes its own brain'.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
PVDetector, a training-free framework that detects PI attacks during LLM inference by measuring hidd GAP: no mappable capability in latest signal (our
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
August 24, 2026 1 Introduction Reinforcement Learning (RL) has emerged as a highly effective approach for training Large Language Models (LLMs), yet i
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Training Details of the Second RL Stage 4 Experiment 5 Ethics and Safety Statement 6 Conclusion, Limitation, and Future Work 7 Author List A Backgroun
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
MegaTrain Full Precision Training of 100B+ Parameter LLMs on a Single GPU A RAM-centric architecture that stores parameters in host memory and treats
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
This work studies the post-training quantization of LLM parameters as a way to improve their runtime GAP: multi-agent orchestration: competitor signal
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.