「tuning」の検索結果

Orientação especializada para fine-tuning de LLMs com Axolotl - configs YAML, 100+ modelos, LoRA/QLoRA, DPO/KTO/ORPO/GRPO, suporte multimodal

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。

Build transformer fine-tuning run plans with task settings, hyperparameters, and model-card outputs. Use for repeatable Hugging Face or PyTorch finetuning workflows.

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 Cohere — cohere AI platform management covering models, embeddings, reranking, datasets, fine-tuning, and connectors. Use when monitoring API usage, analyzing model performance, reviewing fine-tuning jobs, managing datasets and connectors, or troubleshooting Cohere API 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。

LLM Operations -- RAG, embeddings, vector databases, fine-tuning, prompt engineering avancado, custos de LLM, evals de qualidade e arquiteturas de IA para producao.

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。

Guide for hyperparameter selection — learning rate formulas, LoRA rank, batch size, group size, schedules, and model-specific tuning. Use when the user asks about learning rate, batch size, hyperparameter tuning, or how to configure training parameters.

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。

bu skill covers Dağıt:ing and tuning Web Application Firewall rules on AWS WAF, Azure WAF, and Cloudflare to protect cloud-hosted applications against OWASP Top 10 attacks. It details configuring managed rule sets, creating custom rules for business logic protection, implementing rate limiting, Dağıt:ing bot management, and reducing false positives through rule tuning and logging 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。

Build training datasets for LLM specialization from production data, frontier model distillation, and synthetic bootstrapping. Use when formatting production logs into SFT data, distilling from frontier APIs, or preparing data for fine-tuning. Covers JSONL formatting, data quality validation, deduplication, and train/eval splitting.

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。

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。

OpenAI API (developers.openai.com) の画像・動画生成リファレンス。 image generation（gpt-image, Images API `images.generate` / `images.edit`）、 image edit（mask, reference images）、image generation tool（Responses API 組み込み）、 vision（画像入力, image tokens, vision fine-tuning）、 video generation（Sora, `sora-2` / `sora-2-pro`, videos エンドポイント）、 extend / edits, characters。

Fine-tune LLMs using reinforcement learning with TRL - SFT for instruction tuning, DPO for preference alignment, PPO/GRPO for reward optimization, and reward model training. Use when need RLHF, align model with preferences, or train from human feedback. Works with HuggingFace Transformers.

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。

OpenClawのCIで処理待ちや実行環境の不足を調べ、ランナー登録数・並列実行数・ジョブの分割や配置を、計測結果に基づいて調整するスキル。

• OpenClawのCI待ちを調べたいとき
• 集中時のランナー登録数を見積もる
• 並列実行数やテスト分割を見直す

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

Unsloth: 2-5x faster LoRA/QLoRA fine-tuning, less VRAM.

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。

Axolotl: YAML LLM fine-tuning (LoRA, DPO, GRPO).

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。

言語モデルに指示への応答や好ましい回答を学習させるため、TRLによる追加学習を案内するスキル。データ準備、学習方式の選択、報酬モデルの学習や評価を扱います。

• 回答例で指示に従うモデルを学習
• 回答の好みをDPOで学習したいとき
• 報酬モデルを使うRLHFの構築

文章などを数値化して似た内容を探す検索をQdrantで実装。属性による絞り込みやAI回答用の資料検索から、大規模運用の設定・調整まで支援します。

• AI回答用の参考資料を検索したいとき
• カテゴリや日時で絞る類似検索
• リアルタイム推薦の実装

Self-tuning question sensitivity + developer psychographic for gstack (v1: observational). (gstack)

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。

Train RuView models — camera-free WiFlow pose (10 sensor signals, no labels), camera-supervised pose (MediaPipe + ESP32 CSI → 92.9% PCK@20, ADR-079), RuVector contrastive embeddings (AETHER, ADR-024), domain generalization (MERIDIAN, ADR-027), local SNN environment adaptation, plus GPU training on GCloud and Hugging Face publishing. Use when building, fine-tuning, evaluating, or shipping a model.

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。

Configure RuVLLM local inference helpers: generate a config, and create and adapt in-process MicroLoRA and SONA instances from quality signals. Use when you need local, air-gapped inference tooling, not for fine-tuning hosted models.

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 optimising Largest Contentful Paint (LCP), reducing render-blocking resource contention, or fine-tuning resource loading order in the critical rendering path.

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。

Generate sound effects from text descriptions using ElevenLabs. Use when creating sound effects, generating audio textures, producing ambient sounds, cinematic impacts, UI sounds, or any audio that isn't speech. Supports looping, duration control, and prompt influence 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。

Hugging Face Transformers for loading Hub models, running pipeline inference, text generation, and Trainer fine-tuning on NLP, vision, audio, and multimodal tasks. Applies when working with AutoModel, pipelines, tokenizers, generation configs, or TrainingArguments within Transformers.

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。