「search tuning」の検索結果

Fine-tunes and evaluates OpenVLA-OFT and OpenVLA-OFT+ policies for robot action generation with continuous action heads, LoRA adaptation, and FiLM conditioning on LIBERO simulation and ALOHA real-world setups. Use when reproducing OpenVLA-OFT paper results, training custom VLA action heads (L1 or diffusion), deploying server-client inference for ALOHA, or debugging normalization, LoRA merge, and cross-GPU issues.

日本語の概要は準備中です。原文の説明を表示しています。

Large Language and Vision Assistant. Enables visual instruction tuning and image-based conversations. Combines CLIP vision encoder with Vicuna/LLaMA language models. Supports multi-turn image chat, visual question answering, and instruction following. Use for vision-language chatbots or image understanding tasks. Best for conversational image analysis.

日本語の概要は準備中です。原文の説明を表示しています。

Fine-tune and serve Physical Intelligence OpenPI models (pi0, pi0-fast, pi0.5) using JAX or PyTorch backends for robot policy inference across ALOHA, DROID, and LIBERO environments. Use when adapting pi0 models to custom datasets, converting JAX checkpoints to PyTorch, running policy inference servers, or debugging norm stats and GPU memory issues.

日本語の概要は準備中です。原文の説明を表示しています。

Expert guidance for fine-tuning LLMs with LLaMA-Factory - WebUI no-code, 100+ models, 2/3/4/5/6/8-bit QLoRA, multimodal support

日本語の概要は準備中です。原文の説明を表示しています。

Distributed training orchestration across clusters. Scales PyTorch/TensorFlow/HuggingFace from laptop to 1000s of nodes. Built-in hyperparameter tuning with Ray Tune, fault tolerance, elastic scaling. Use when training massive models across multiple machines or running distributed hyperparameter sweeps.

日本語の概要は準備中です。原文の説明を表示しています。

Expert guidance for fast fine-tuning with Unsloth - 2-5x faster training, 50-80% less memory, LoRA/QLoRA optimization

日本語の概要は準備中です。原文の説明を表示しています。

Implements and trains LLMs using Lightning AI's LitGPT with 20+ pretrained architectures (Llama, Gemma, Phi, Qwen, Mistral). Use when need clean model implementations, educational understanding of architectures, or production fine-tuning with LoRA/QLoRA. Single-file implementations, no abstraction layers.

日本語の概要は準備中です。原文の説明を表示しています。

Expert guidance for fine-tuning LLMs with Axolotl - YAML configs, 100+ models, LoRA/QLoRA, DPO/KTO/ORPO/GRPO, multimodal support

日本語の概要は準備中です。原文の説明を表示しています。

Expert patterns for Algolia search implementation, indexing strategies, React InstantSearch, and relevance tuning

日本語の概要は準備中です。原文の説明を表示しています。

Optimize machine learning model hyperparameters using grid search, random search, Bayesian optimization, and Hyperband to maximize model performance within a compute budget. Use when the user requests hyperparameter tuning or provides relevant inputs for this workflow.

日本語の概要は準備中です。原文の説明を表示しています。

Design a hyperparameter tuning strategy for a model — search space, method, and budget. Use when asked to "tune hyperparameters", "define a search space", or "set a tuning budget".

日本語の概要は準備中です。原文の説明を表示しています。

Implement and execute approved research Experiment, Tuning, or Design Cards with reproducible logs, metrics, environment, and artifacts. Use for bounded coding, debugging, and runs; not for changing claims, priorities, budgets, or the Research Spine.

日本語の概要は準備中です。原文の説明を表示しています。

Expert patterns for Algolia search implementation, indexing strategies, React InstantSearch, and relevance tuning

日本語の概要は準備中です。原文の説明を表示しています。

Expert patterns for Algolia search implementation, indexing strategies, React InstantSearch, and relevance tuning

日本語の概要は準備中です。原文の説明を表示しています。

Use when working with Algolia Deep — advanced Algolia search platform management including indices, search analytics, A/B tests, query rules, synonyms, API key audit, and infrastructure monitoring. Covers search performance metrics, relevance tuning, click-through analysis, indexing health, and usage quota tracking.

日本語の概要は準備中です。原文の説明を表示しています。

Expert patterns for Algolia search implementation, indexing strategies, React InstantSearch, and relevance tuning

日本語の概要は準備中です。原文の説明を表示しています。

Expert patterns for Algolia search implementation, indexing strategies, React InstantSearch, and relevance tuning

日本語の概要は準備中です。原文の説明を表示しています。

Autonomous iterative experimentation loop for any programming task. Guides the user through defining goals, measurable metrics, and scope constraints, then runs an autonomous loop of code changes, testing, measuring, and keeping/discarding results. Inspired by Karpathy's autoresearch. USE FOR: autonomous improvement, iterative optimization, experiment loop, auto research, performance tuning, automated experimentation, hill climbing, try things automatically, optimize code, run experiments, autonomous coding loop. DO NOT USE FOR: one-shot tasks, simple bug fixes, code review, or tasks without a measurable metric.

日本語の概要は準備中です。原文の説明を表示しています。

機能追加や不具合修正などの開発を、規模に応じて調査・計画・テスト・レビューへ振り分けます。計画承認とコミット確認を組み込む、関連スキル共通の手順です。

• 機能追加と不具合修正の手順を揃えたいとき
• 変更規模に合わせて工程を選びたいとき
• 設計書からMVP開発を進めたいとき

限られたGPUメモリで大規模言語モデルを追加学習するため、LoRAやQLoRAの設定を支援します。学習結果の保存、用途別の切り替え、モデルへの統合も扱います。

• 少ないGPUメモリで追加学習したいとき
• LoRAの学習設定を選びたいとき
• 用途別のアダプターを切り替えたいとき

Optimize vector index performance for latency, recall, and memory. Use when tuning HNSW parameters, selecting quantization strategies, or scaling vector search infrastructure.

日本語の概要は準備中です。原文の説明を表示しています。

OpenAI's model connecting vision and language. Enables zero-shot image classification, image-text matching, and cross-modal retrieval. Trained on 400M image-text pairs. Use for image search, content moderation, or vision-language tasks without fine-tuning. Best for general-purpose image understanding.

日本語の概要は準備中です。原文の説明を表示しています。

Track ML experiments with automatic logging, visualize training in real-time, optimize hyperparameters with sweeps, and manage model registry with W&B - collaborative MLOps platform

日本語の概要は準備中です。原文の説明を表示しています。

Battle-tested PyTorch training recipes for all domains — LLMs, vision, diffusion, medical imaging, protein/drug discovery, spatial omics, genomics. Covers training loops, optimizer selection (AdamW, Muon), LR scheduling, mixed precision, debugging, and systematic experimentation. Use when training or fine-tuning neural networks, debugging loss spikes or OOM, choosing architectures, or optimizing GPU throughput.

日本語の概要は準備中です。原文の説明を表示しています。