'transformer' 검색 결과

Guarantee valid JSON/XML/code structure during generation, use Pydantic models for type-safe outputs, support local models (Transformers, vLLM), and maximize inference speed with Outlines - dottxt.ai's structured generation library

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Performs retrosynthetic planning using AiZynthFinder (MCTS, template-based), Chemformer (template-free transformer), ASKCOS, and emerging RetroSynFormer with explicit handling of route scoring, building-block availability (eMolecules, Enamine, Mcule), forward prediction validation (Molecular Transformer), and disconnection-aware multi-objective search (MO-MCTS). Use when assessing synthetic feasibility of generated or selected molecules, planning multi-step syntheses, building synthesis-aware design pipelines, or screening libraries for retro-route feasibility.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Performs retrosynthetic planning using AiZynthFinder (MCTS, template-based), Chemformer (template-free transformer), ASKCOS, and emerging RetroSynFormer with explicit handling of route scoring, building-block availability (eMolecules, Enamine, Mcule), forward prediction validation (Molecular Transformer), and disconnection-aware multi-objective search (MO-MCTS). Use when assessing synthetic feasibility of generated or selected molecules, planning multi-step syntheses, building synthesis-aware design pipelines, or screening libraries for retro-route feasibility.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Predicts whether a DNA variant alters mRNA splicing using sequence-based deep-learning tools — SpliceAI (10kb context dilated CNN, clinical default), Pangolin (multi-tissue), MMSplice (modular per-region CNN with calibrated ΔPSI), SpliceTransformer/TrASPr (tissue-aware transformers), SpliceVault (empirical 300K-RNA lookup of likely mis-splicing outcomes), CADD-Splice (composite score). Applies the ClinGen SVI 2023 framework for ACMG/AMP variant interpretation (PVS1, PP3, BP4 evidence codes), HGVS splicing nomenclature (c.123+1G>A, c.123-3T>G, r.spl?), extended-window scoring for deep-intronic pseudoexons, tissue-specific predictions, branchpoint variant detection (BPHunter, LaBranchoR), and splice-switching ASO design. Use when interpreting splice impact of clinical variants, prioritizing VUS, identifying deep-intronic pathogenic variants, or designing ASOs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Optimizes transformer attention with Flash Attention for 2-4x speedup and 10-20x memory reduction. Use when training/running transformers with long sequences (>512 tokens), encountering GPU memory issues with attention, or need faster inference. Supports PyTorch native SDPA, flash-attn library, H100 FP8, and sliding window attention.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Performs retrosynthetic planning using AiZynthFinder (MCTS, template-based), Chemformer (template-free transformer), ASKCOS, and emerging RetroSynFormer with explicit handling of route scoring, building-block availability (eMolecules, Enamine, Mcule), forward prediction validation (Molecular Transformer), and disconnection-aware multi-objective search (MO-MCTS). Use when assessing synthetic feasibility of generated or selected molecules, planning multi-step syntheses, building synthesis-aware design pipelines, or screening libraries for retro-route feasibility.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Predicts whether a DNA variant alters mRNA splicing using sequence-based deep-learning tools — SpliceAI (10kb context dilated CNN, clinical default), Pangolin (multi-tissue), MMSplice (modular per-region CNN with calibrated ΔPSI), SpliceTransformer/TrASPr (tissue-aware transformers), SpliceVault (empirical 300K-RNA lookup of likely mis-splicing outcomes), CADD-Splice (composite score). Applies the ClinGen SVI 2023 framework for ACMG/AMP variant interpretation (PVS1, PP3, BP4 evidence codes), HGVS splicing nomenclature (c.123+1G>A, c.123-3T>G, r.spl?), extended-window scoring for deep-intronic pseudoexons, tissue-specific predictions, branchpoint variant detection (BPHunter, LaBranchoR), and splice-switching ASO design. Use when interpreting splice impact of clinical variants, prioritizing VUS, identifying deep-intronic pathogenic variants, or designing ASOs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

vLLM으로 대규모 언어 모델을 API로 제공하거나 많은 입력을 일괄 처리하도록 돕습니다. 배포와 성능 모니터링, 메모리 절약, 응답 속도 조정도 다룹니다.

• OpenAI 호환 API를 제공할 때
• 많은 프롬프트를 일괄 처리할 때
• 제한된 GPU 메모리로 모델을 실행할 때

Unsloth로 언어 모델을 추가 학습하도록 돕습니다. LoRA와 QLoRA 구현, 기능과 API 확인, 코드 오류 조사, GPU 메모리를 줄이는 학습 방법 탐색을 지원합니다.

• LoRA와 QLoRA 추가 학습 시작
• Unsloth 기능과 API 확인
• 학습 코드의 오류 조사

TRL로 언어 모델을 추가 학습해 지시와 사람의 선호에 맞는 답변을 만들도록 안내합니다. 데이터 준비, 학습 방식 선택, 보상 모델 학습과 평가를 다룹니다.

• 답변 예시로 지시 수행을 학습합니다
• DPO로 답변 선호를 학습합니다
• 보상 모델을 쓰는 RLHF를 구성합니다

LLM이 JSON, 정규 표현식, Pydantic 타입 정의에 맞춰 답변을 생성하도록 합니다. 텍스트에서 추출한 정보와 분류 결과를 후속 프로그램에서 다루기 쉬운 형식으로 정리합니다.

• 텍스트에서 기업과 제품 정보를 추출할 때
• 정해진 라벨로 리뷰를 분류할 때
• 프로필을 항목별로 정리할 때

Axolotl로 대규모 언어 모델을 추가 학습하는 데 필요한 YAML 설정, 데이터 형식과 학습 방법을 안내합니다. 여러 GPU의 설정과 학습 오류, 속도 문제 조사에도 활용합니다.

• 추가 학습용 YAML 설정 작성
• LoRA와 QLoRA 학습 방법 확인
• 데이터 형식과 API 사용법 확인

Track machine learning experiments in W&B, record training settings and metrics, and compare results in dashboards. Automate searches for training settings and keep version histories for models and datasets.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing accuracy across training runs
• Monitoring training progress in dashboards
• Searching for better training settings

공통 과제로 대규모 언어 모델의 지식·추론·코드 생성을 평가합니다. 모델 비교표와 학습 단계별 성적 추이를 만들고 평가 결과와 개별 답변을 저장합니다.

• MMLU와 GSM8K로 모델 평가
• 여러 모델의 성적 비교표 작성
• 학습 중 모델의 성적 추적

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

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

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

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

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

Qdrant에 텍스트 등의 특징을 벡터로 저장해 유사 검색을 구현합니다. 속성 필터링, AI 답변용 자료 검색, 실시간 추천과 대규모 운영 설정을 지원합니다.

• AI 답변용 참고 자료 검색
• 범주와 날짜로 유사 검색 범위 제한
• 실시간 추천 구현

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

제한된 GPU 메모리에서 대규모 언어 모델을 추가 학습하도록 LoRA와 QLoRA 설정을 돕습니다. 어댑터 저장, 용도별 전환, 기본 모델과의 병합도 다룹니다.

• 적은 GPU 메모리로 추가 학습
• LoRA 학습 설정 선택
• 용도별 어댑터 전환

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