'transformers' 검색 결과

Python으로 텍스트 기반 이미지 생성, 기존 이미지의 화풍 변경, 지정 영역 채우기를 구현합니다. 구도와 스타일 제어, 생성 설정 조정, 메모리 절약 방법도 안내합니다.

• 텍스트로 이미지를 생성할 때
• 기존 이미지를 수채화풍으로 바꿀 때
• 사진의 지정 영역을 채울 때

기존 PyTorch 학습 코드를 적은 수정으로 여러 GPU나 컴퓨터에 맞게 구성합니다. 혼합 정밀도, 메모리 절약 설정과 학습 실행 방법을 안내합니다.

• 단일 GPU 학습을 여러 GPU로 옮깁니다
• 혼합 정밀도 학습을 설정합니다
• DeepSpeed나 FSDP로 메모리를 절약합니다

정규 표현식과 문법 규칙으로 로컬 언어 모델의 출력을 제한해 JSON과 날짜 형식을 맞춥니다. 고정 라벨 분류와 Python을 이용한 재사용 가능한 다단계 생성도 다룹니다.

• 지정 스키마에 맞는 JSON 생성
• 날짜와 이메일 주소 형식 통일
• 고정 라벨로 텍스트 분류

Chroma로 의미가 비슷한 문서를 찾는 시스템을 구축합니다. 문서와 부가 정보를 저장·갱신하고 조건으로 검색을 좁히며 AI 앱을 시제품으로 만듭니다.

• 의미가 비슷한 문서를 검색할 때
• 검색 자료 기반 AI 답변을 시험할 때
• 문서 데이터를 로컬에 저장할 때

답변 평가를 활용하는 강화 학습으로 대규모 언어 모델을 추가 훈련하는 절차를 안내합니다. Megatron-LM과 SGLang을 결합해 데이터 준비, 병렬 실행, 맞춤형 생성을 다룹니다.

• 언어 모델의 GRPO 훈련 시작
• 답변 생성과 훈련을 동시에 실행
• 도구를 사용하는 에이전트 훈련

PyTorch 학습 코드를 LightningModule과 Trainer로 정리하고 검증, 로그 기록, 모델 저장부터 여러 GPU의 분산 학습까지 설정합니다.

• 기존 PyTorch 학습 코드 이전
• 검증 지표 기록과 모델 저장 추가
• 여러 GPU를 사용하는 학습 설정

LLaVA의 설치와 사용을 도와 사진 설명을 작성하고 이미지 내용에 답하도록 지원합니다. 같은 이미지를 두고 대화를 이어 가거나 이미지가 포함된 문서를 이해하는 데도 활용합니다.

• 사진 설명문 작성
• 이미지 속 사물과 장면에 관한 질문
• 이미지 대화 앱 시제품 제작

PyTorch FSDP를 활용한 대규모 모델의 분산 학습 구현과 오류 조사를 돕습니다. 공식 문서 기반 자료와 코드 예제로 분할 전략, 혼합 정밀도, 학습 상태 저장을 검토합니다.

• 대규모 모델의 분산 학습을 구현합니다
• FSDP 적용 방법과 분할 전략을 비교합니다
• 혼합 정밀도와 체크포인트 예제를 확인합니다

AudioCraft로 글에서 음악, 효과음, 환경음을 생성하도록 모델 선택과 구현을 안내합니다. 멜로디와 참고 음원 활용, 스테레오 출력, 일괄 생성도 다룹니다.

• 글로 음악 생성
• 효과음과 환경음 제작
• 멜로디나 참고 음원 활용

Find scientific datasets, AI models, methodology posts, and interactive demos through the Hugging Science catalog. Compare candidates for a research task and verify their licenses, input formats, access requirements, and supported ways to run them.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Finding models for protein or genome analysis
• Selecting datasets for scientific machine learning
• Comparing resource licenses and runtime requirements

Quantize diffusion transformers with NVIDIA ModelOpt, using FP8 or NVFP4 lower-precision numbers, and prepare the saved weights for SGLang Diffusion. Follow a workflow for loading, checking output quality, and comparing speed under matching conditions.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Preparing ModelOpt FP8 weights for SGLang Diffusion
• Checking quality after diffusion model quantization
• Comparing BF16 and quantized generation speed

Add checks to LLM prompts and responses using Llama Guard 3, NeMo Guardrails, and LLM Guard. Configure content screening, conversation boundaries, and sensitive-data filtering, then measure blocking and false-positive rates with labeled test prompts.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Adding runtime safety checks to LLM, RAG, or agent apps
• Screening prompts for injection and jailbreak attempts
• Filtering sensitive or toxic model responses

Screen AI application inputs and historical logs for prompt injection, where malicious instructions try to redirect the model. Combine pattern matching, text structure scoring, and a DeBERTa classifier to flag suspicious content and produce JSON results.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Screening chatbot and AI agent inputs
• Checking external text used in retrieval-based AI applications
• Auditing historical interaction logs for injection attempts

Plan and configure large language model training with OpenRLHF to better match human preferences. Covers training method selection, distributed GPU setup, inference acceleration with vLLM, and troubleshooting memory or training stability issues.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing a method for training models on human preferences
• Setting up PPO training with a reward model
• Configuring GRPO training without a critic model

Explore training workflows that reduce harmful model responses using a written set of principles. The skill covers self-critique, revised training examples, and RLAIF, reinforcement learning from AI feedback, with implementation examples and hardware guidance.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Designing principles for model safety training
• Creating training examples through self-critique and revision
• Planning reinforcement learning with AI-rated responses

Set up reinforcement learning, which trains models using rewards, with verl. Follow workflows for preparing data, configuring GRPO or PPO training, scaling across GPUs, and addressing memory errors or unstable training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training a math reasoning model with GRPO
• Configuring PPO training with a critic model
• Scaling large model training across multiple nodes

Build document search and AI retrieval workflows with Chroma, a database for numerical representations of text. Cover document storage, meaning-based search, metadata filters, persistence, and connections to LangChain and LlamaIndex.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Building document search based on meaning
• Adding document retrieval to AI answers
• Filtering search results by document attributes

Guides language model training with GRPO in TRL, comparing several responses and rewarding better results. Covers dataset preparation, scoring rules for correctness and format, training configuration, monitoring, and saving models for later use.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training models to follow JSON or XML formats
• Designing rewards for math and coding tasks
• Adjusting training to available GPU memory

Guide reinforcement learning, training models through rewards, with slime. Prepare data, configure Megatron-LM training and SGLang response generation, and set up asynchronous runs or custom multi-turn workflows for supported language models.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Preparing reward-based training for GLM or Qwen models
• Overlapping response generation and training
• Training agents that use tools across multiple turns

Train language models with SimPO using pairs of preferred and rejected answers. Configure preference training without a separate reference model, adapt settings for base or instruction models, and address unstable training, memory limits, or lost capabilities.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training a base model with preferred and rejected answers
• Further tuning an instruction model with preference data
• Adjusting training settings for math and code tasks

Build safety checks for LLM prompts and responses using Meta's LlamaGuard moderation model. Classify potentially harmful content, block flagged messages, serve checks through an API, and integrate them with NeMo Guardrails.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Checking prompts before sending them to an LLM
• Filtering responses before displaying them
• Building a moderation API

Assess language models with over 60 academic benchmark tests using consistent prompts and scoring. Compare models, track performance during training, and organize research results with support for HuggingFace models, vLLM, and APIs.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Compare models on standard knowledge and reasoning tests
• Track model performance across training checkpoints
• Organize evaluation results for research reports

Get guidance on adapting large language models with Axolotl. Covers YAML configuration files, LoRA and QLoRA methods for training fewer parameters, distributed training settings, dataset formats, and debugging training code.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Write YAML settings for model fine-tuning
• Explore training with LoRA or QLoRA
• Configure training across multiple GPUs

Use LitGPT to explore language model implementations and train models on custom data. Covers pretrained model loading, LoRA fine-tuning that updates a small set of parameters, pretraining, and preparing trained models for deployment.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Studying language model architecture through readable code
• Fine-tuning a model on custom instruction data
• Configuring LoRA training for a single GPU