Presentamos Ertas Studio: Un Canvas Visual para Ajustar Modelos de IA

Ajustar un modelo de lenguaje usualmente significa escribir scripts de entrenamiento, gestionar configs y cambiar entre ventanas de terminal para comparar ejecuciones. Ertas Studio reemplaza ese flujo de trabajo con un único canvas visual donde puedes ajustar múltiples modelos a la vez y comparar resultados lado a lado.

El Problema con los Flujos de Trabajo Actuales de Fine-Tuning

Si has ajustado un modelo antes, conoces el proceso:

• Escribir un script de entrenamiento o adaptar el de alguien más
• Gestionar hiperparámetros a través de archivos de configuración
• Ejecutar trabajos secuencialmente y rastrear manualmente qué configuraciones produjeron qué resultados
• Convertir checkpoints a un formato desplegable
• Repetir para cada modelo base que quieras comparar

Cada paso introduce fricción. Para cuando has comparado tres modelos base con diferentes hiperparámetros, has gastado más tiempo en herramientas que en evaluar resultados.

Cómo Funciona Studio

Studio es una interfaz web basada en canvas que maneja todo el pipeline de fine-tuning — desde la carga de datos hasta la descarga del modelo.

Sube Tus Datos

Comienza subiendo un dataset de entrenamiento JSONL o importando uno de Hugging Face. Studio valida tus datos y muestra problemas de formato antes de que comience el entrenamiento.

Ajusta en el Canvas

El canvas de Studio es donde ocurre el trabajo principal. Selecciona un modelo base, configura parámetros de entrenamiento y lanza un trabajo de fine-tuning en GPUs en la nube — todo a través de la interfaz visual.

Lo que hace esto poderoso es que puedes ejecutar múltiples trabajos de fine-tuning simultáneamente. Entrena diferentes modelos base en el mismo dataset, o prueba diferentes hiperparámetros en el mismo modelo. El canvas muestra todos los trabajos en ejecución y completados juntos, para que puedas comparar salidas sin cambiar entre ventanas o escanear archivos de log.

Conocimiento Preservado

Cada ejecución de fine-tuning se guarda. Esto significa que puedes:

• Regresar a cualquier ejecución anterior y revisar su configuración y resultados
• Usar un modelo previamente ajustado como punto de partida para una nueva ejecución
• Probar el mismo modelo ajustado en diferentes casos de uso sin reentrenar

Esto es especialmente útil cuando estás iterando — modifica tu dataset, ejecuta otro trabajo y compara los nuevos resultados contra tu línea base sin perder ningún trabajo previo.

Descarga como GGUF

Cuando estés satisfecho con un modelo, descárgalo como un archivo GGUF. Este es un formato abierto que corre en hardware de consumo con herramientas como llama.cpp, Ollama y LM Studio. Sin dependencia de la nube, sin costos de API, sin vendor lock-in. El despliegue en la nube vía Ertas Cloud también está en el horizonte para equipos que quieran endpoints de API gestionados.

Para Quién Está Construido Studio

• Ingenieros construyendo productos con IA — Ajusta modelos para tareas específicas (clasificación, resumen, generación de código) sin gestionar infraestructura de entrenamiento
• Equipos evaluando modelos base — Compara múltiples modelos fundacionales en tus datos reales para encontrar el mejor ajuste
• Organizaciones conscientes de la privacidad — Ejecuta modelos en tu propio hardware para control total sobre los datos de inferencia
• Desarrolladores individuales e investigadores — Ve de dataset a modelo desplegable en minutos, no días

Síntesis de Datos (Próximamente)

Estamos trabajando en sugerencias inteligentes de síntesis de datos que analizan tu dataset subido y recomiendan ejemplos de entrenamiento adicionales para mejorar el rendimiento del modelo. Esto ayudará a equipos con datos de entrenamiento limitados a obtener mejores resultados de sus ejecuciones de fine-tuning.

Precios

Studio está actualmente en desarrollo. Únete a la lista de espera para obtener acceso anticipado y proporcionar feedback que moldee el producto.

---

Fine-tuning debería ser sobre evaluar resultados, no depurar pipelines. Para eso es Studio.