1천건 · 관련도순
Learn how GPT language models work by preparing text, training a small model, and generating samples. Covers CPU experiments, custom datasets, further training of pretrained GPT-2 models, and reproducing GPT-2 with multiple GPUs.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Estimate GPU memory, training step time, checkpoint costs, and recovery overhead for training or reinforcement learning. Compare state partitioning, recomputation, offloading, and device counts to assess whether a job can finish within its deadline.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Train, deploy, and run predictions with neural networks using Flow Nexus and E2B sandboxes, isolated computing environments. Use existing model templates, distribute training across multiple environments, and check training progress and model performance.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Profile JAX, Levanter, or Marin training to investigate slow startup, compilation, initialization, or throughput. Turn execution traces, recorded timing events, into structured reports, identify costly operations, and compare performance before and after a bounded change.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Fine-tune models on Microsoft Foundry using SFT (supervised), DPO (preference), or RFT (reinforcement with graders). Covers dataset preparation, training job submission, deployment, and evaluation. USE FOR: fine-tune, SFT, DPO, RFT, training data, grader, distillation, fine-tuned model, training job, large file upload, calibrate grader, deploy fine-tuned model, evaluate fine-tuned model. DO NOT USE FOR: general model deployment without fine-tuning (use deploy-model), agent creation (use agents), prompt optimization without training (use prompt-optimizer).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Fine-tune models on Microsoft Foundry using SFT (supervised), DPO (preference), or RFT (reinforcement with graders). Covers dataset preparation, training job submission, deployment, and evaluation. USE FOR: fine-tune, SFT, DPO, RFT, training data, grader, distillation, fine-tuned model, training job, large file upload, calibrate grader, deploy fine-tuned model, evaluate fine-tuned model. DO NOT USE FOR: general model deployment without fine-tuning (use deploy-model), agent creation (use agents), prompt optimization without training (use prompt-optimizer).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Use when the user wants to train a reusable face-faithful Soul Character identity on Higgsfield. One-time training returns a reference_id passed to Soul models in higgsfield-generate via `--soul-id`. Use this skill whenever: "train soul character", "create my Soul", "train my face", "make my digital twin", "build me an avatar", "create a character of me", "set up identity for video", "I want my face in generated images", "face-faithful character", "reusable character", "brand character training", "build a character from photos", "soul training", "soul-id create". After training, logs the soul_reference_id to `brand/assets.md`. NOT for: one-shot face swaps (use higgsfield-generate with --image), fictional/non-photo avatars (use higgsfield-generate with a prompt). Requires Higgsfield CLI + Basic plan or higher.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Assess organizational training needs using ADDIE methodology and Kirkpatrick's 4-Level evaluation framework. Maps performance gaps to learning objectives using Bloom's taxonomy. Use when planning L&D budgets, designing training programs, or evaluating training effectiveness.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Use this skill when planning or executing the human side of an Agentforce or Einstein AI feature rollout — user trust-building, AI-specific training, structured feedback collection via the Feedback API, and adoption measurement via Agentforce Analytics. NOT for turning the Einstein for Sales features on — use agentforce/agentforce-sales-ai-setup. NOT for rollout training with no AI in scope — use admin/change-management-and-training.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Fine-tune LLMs and VLMs using Unsloth on HF Jobs (Hugging Face on-demand cloud GPUs). Use when users want to fine-tune language models, train VLMs (Vision Language Models), do continued pretraining, domain adaptation, or run UV scripts on HF Jobs. Triggers on requests involving Unsloth training, HF Jobs GPU training, Qwen3-VL fine-tuning, Gemma VLM training, or LoRA fine-tuning on cloud GPUs.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Guide for training outputs, metrics logging, logtree reports, tracing/profiling, and debugging training runs. Use when the user asks about training logs, metrics, debugging, tracing, profiling, timing, Gantt charts, or understanding training output files.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
High-level PyTorch framework with Trainer class, automatic distributed training (DDP/FSDP/DeepSpeed), callbacks system, and minimal boilerplate. Scales from laptop to supercomputer with same code. Use when you want clean training loops with built-in best practices.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Simple Preference Optimization for LLM alignment. Reference-free alternative to DPO with better performance (+6.4 points on AlpacaEval 2.0). No reference model needed, more efficient than DPO. Use for preference alignment when want simpler, faster training than DPO/PPO.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Provides guidance for LLM post-training with RL using slime, a Megatron+SGLang framework. Use when training GLM models, implementing custom data generation workflows, or needing tight Megatron-LM integration for RL scaling.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
High-level PyTorch framework with Trainer class, automatic distributed training (DDP/FSDP/DeepSpeed), callbacks system, and minimal boilerplate. Scales from laptop to supercomputer with same code. Use when you want clean training loops with built-in best practices.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
기계 학습이 없는 기존 앱에 추천, 분류, 예측 기능을 추가하는 절차를 정리합니다. 문제와 데이터 확인부터 초기 모델의 학습, 평가, 통합까지 돕습니다.
NeMo Curator로 LLM 학습 데이터의 중복과 저품질 내용을 제거하고 개인정보를 삭제하거나 대체합니다. 처리 흐름 구성과 이미지, 영상, 음성 정리도 다룹니다.
텍스트를 AI 모델이 다루는 작은 단위로 나누고 숫자 배열로 변환합니다. 대량 처리, 맞춤 어휘 학습, 원문 위치 대응과 입력 길이 조정을 돕습니다.
PowerPoint 자료를 읽고 새로 만들거나 기존 슬라이드를 조정하도록 지원합니다. 경영진 설명 자료, 교육, 제품 검토에 쓰는 레이아웃과 템플릿도 다룹니다.
Develop machine learning models from local data, covering data preparation, model selection, training, evaluation, and deployment preparation. Use it to build workflows for tasks such as predicting customer churn or classifying images.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
거래 전략의 장기 검증, 여러 조건 비교와 모델 학습을 클라우드에서 수행합니다. 비용 추정부터 성과 지표와 CSV 수집, 결과 서명 검증과 저장까지 지원합니다.
Turn agent failure records into training examples by locating the first incorrect decision and pairing preferred actions with rejected ones. Assess whether training is appropriate, then check both targeted improvements and preservation of correct behavior.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Build and troubleshoot TorchDrug 0.2.1 workflows for molecular property prediction, molecule generation, protein modeling, and knowledge graph reasoning. Connect datasets, models, training tasks, and evaluation while checking version compatibility and common implementation errors.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.
Build Python workloads on Modal for cloud execution, including GPU model training and inference, web APIs, scheduled jobs, and parallel batch processing. Configure container environments, persistent storage, and automatic scaling through the Modal SDK.
한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.