Всем привет! Меня зовут Даниил Шеремет, я AI-инженер в Agentic Lab. Днём я проектирую агентные системы, а по вечерам весь последний месяц жёг GPU-часы, пытаясь заставить Gemma 4 писать русские стихи — с правильным ямбом, честной рифмой и хоть каким-то смыслом.
Рубрика «файнтюнинг»
«Тосок бессмысл»: как я не смог заставить Gemma 4 писать хорошие стихи
2026-08-12 в 7:03, admin, рубрики: gemma, llm, lora, reward hacking, vllm, генерация стихов, ограниченное декодирование, рифма, силлабо-тоника, файнтюнингFinetuning без греха: как кастомизировать AI и не сломать его
2025-09-23 в 10:13, admin, рубрики: AI, ai-модели, finetuning, искуственный интеллект, кастомизация, файнтюнингСоздание кастомной AI-модели для бизнеса кажется простой: скачал базовую модель, загрузил данные — и вот уже готовый AI-юрист или диагност. Но на практике компания часто получает беспомощного «Франкенштейна», который генерирует полную ахинею. Итог — месяцы работы впустую и выброшенный бюджет.
В чем же ошибка? Finetuning — это не волшебная палочка для мгновенного результата, а точный хирургический инструмент. Его неверное применение не улучшает модель, а буквально калечит ее.
С вами вновь Александр Константинов — технический эксперт из Cloud.ruЧитать полностью »
Прогнозируем временные данные с TimeGPT
2025-01-22 в 14:01, admin, рубрики: AI, arima, ETS, prophet, TimeGPT, ИИ, прогнозирование, файнтюнинг
Прогнозирование временных рядов играет ключевую роль в самых разных отраслях: от предсказания тенденций на фондовом рынке до оптимизации цепочек поставок и управления запасами.
Однако традиционные модели, такие как ARIMA, Читать полностью »
Оптимизируем дообучение LLM: теория + гайд
2024-11-24 в 13:15, admin, рубрики: Fine-tuning, llm, PEFT, гайд, файнтюнингВ эпоху стремительного развития искусственного интеллекта большие языковые модели (Large Language Models, LLM) становятся неотъемлемой частью множества приложений – от интеллектуальных чат-ботов до систем анализа данных.
Так уж сложилось, что эффективное применение больших языковых моделей не обходится без тонкой настройки, потому что базовые модели, обученные на обобщенных данных, могут не учитывать уникальные особенности конкретных задач или доменов. Тонкая настройка позволяет адаптировать модель к специфическим требованиям приложения, что улучшает ее точность [1].