Acelera el fine-tuning sin renunciar al control
Ertas Studio ofrece a los ingenieros de ML un espacio visual de fine-tuning sobre GPU gestionadas en la nube, con entrenamientos en paralelo, un editor guiado de datasets y exportación a GGUF o safetensors, para que dediques menos tiempo al código repetitivo y más a la calidad del modelo.
The Challenges You Face
El código repetitivo frena la experimentación
Montar bucles de entrenamiento, cargadores de datos, configuraciones de adaptadores y scripts de cuantización para cada experimento es trabajo repetitivo que no mejora el modelo. Y saltarse cualquier paso arriesga regresiones silenciosas u horas de GPU desperdiciadas.
Los datos de entrenamiento viven en notebooks dispersos
Los datasets se limpian y editan en notebooks y hojas de cálculo improvisados, sin control de versiones. Cuando un modelo empeora, rastrear la causa hasta un cambio concreto en los datos es lento.
Gestionar el costo de GPU es un trabajo de tiempo completo
Elegir el tipo de instancia adecuado, lidiar con interrupciones de instancias spot y ajustar los tamaños de lote para mantener las GPU ocupadas es trabajo de infraestructura que compite con el tiempo de investigación.
El traspaso entre expertos del dominio y entrenamiento es frágil
Los expertos revisan ejemplos en un sitio, los ingenieros de ML entrenan en otro, y los traspasos pasan por carpetas compartidas con convenciones de nombres que acaban rompiéndose. Rara vez existe un único lugar que vincule un entrenamiento con la versión del dataset que lo produjo.
How Ertas Solves This
Ertas Studio te da una capa visual sobre el flujo de fine-tuning que ya conoces. Sigues eligiendo el modelo base y los hiperparámetros (tasa de aprendizaje, pasos o épocas, tamaño de lote, calentamiento, optimizador, GPU), pero en lugar de escribir scripts de entrenamiento los configuras en un lienzo que lanza el ajuste fino con LoRA en GPU gestionadas en la nube. Ejecuta varias configuraciones en paralelo y compáralas lado a lado.
Data Craft, el editor guiado de datasets de Studio, pone orden en la etapa anterior. Sube un JSONL o importa un dataset desde Hugging Face, y después edita y versiona los ejemplos como turnos USER y ASSISTANT y controla cuáles están aprobados. Los expertos del dominio pueden trabajar sobre el mismo dataset sin tocar código.
Cada modelo entrenado llega a Hub. Expórtalo como GGUF Q4_K_M para llama.cpp, Ollama, LM Studio o uso en dispositivo, o como safetensors completos para vLLM y otros entornos de servidor. El modelo es tuyo para ejecutarlo donde quieras, sin depender de Ertas en tiempo de ejecución.
Key Features for Ingenieros de ML
Espacio de hiperparámetros
Configura la tasa de aprendizaje, el máximo de pasos o las épocas, el tamaño de lote, el calentamiento, la acumulación de gradientes, el optimizador y el nivel de GPU desde una interfaz estructurada. Duplica un entrenamiento, cambia un ajuste y compara ambos.
Datasets versionados en Data Craft
Edita ejemplos como turnos USER y ASSISTANT, versiónalos y controla su estado de aprobación. Los datasets se guardan para poder repetir cualquier entrenamiento, y puedes eliminarlos cuando termines.
Hub de modelos y exportación
Cada modelo entrenado aparece en Hub. Descárgalo como GGUF para llama.cpp, Ollama y LM Studio, o como safetensors completos para vLLM, y evalúalo con tus propios prompts y tus propias herramientas.
Entrenamiento gestionado en la nube
Los trabajos de entrenamiento se ejecutan en GPU T4 y A10G gestionadas, varios a la vez, sin aprovisionar instancias. Studio se ocupa de los drivers, los checkpoints y la conversión a GGUF para que te concentres en el experimento.
Why It Works
- En el benchmark de resumen de reuniones QMSum, un modelo de 1.2B entrenado con Ertas obtuvo 35.41 de ROUGE-1, frente a 32.43 del mejor de cinco modelos frontera alojados. Un modelo pequeño entrenado para una tarea puede superar en esa tarea a modelos generales mucho más grandes.
- La exportación GGUF produce por defecto un modelo cuantizado Q4_K_M, y la exportación en safetensors completos se sirve con vLLM y otros entornos de servidor.
- El catálogo de modelos abarca las familias Llama, Qwen, Gemma, Mistral, Phi y LFM, de 230M a 8B parámetros, y los modelos compatibles de Hugging Face se pueden importar por URL.
Example Workflow
Tu equipo tiene un lote de documentos del dominio que deben convertirse en datos de entrenamiento para un modelo de extracción especializado. Un ingeniero de datos los convierte a JSONL, con el texto de origen como turno USER y los campos objetivo como turno ASSISTANT, y sube el archivo a Data Craft. Allí, un experto del dominio revisa los ejemplos, corrige las extracciones erróneas y aprueba el conjunto.
La ingeniera de ML conecta el dataset a tres entrenamientos en el lienzo de Studio: Qwen 2.5 7B y Llama 3.1 8B con la tasa de aprendizaje por defecto, y otro Qwen con una tasa más baja. Los tres se entrenan en paralelo en GPU A10G. La ingeniera descarga los archivos GGUF, evalúa cada uno con un conjunto de prompts reservado y promueve al ganador, que el equipo de plataforma sirve con vLLM a partir de la exportación en safetensors.
Related Resources
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.