Ertas 入門指南：微調和部署自訂 AI 模型

大多數 AI 平台要求您按 token 付費，並寄望於通用模型能有好表現。Ertas 的運作方式不同。您通過視覺介面使用雲端 GPU 微調模型，然後下載並在您自己的硬體上運行——或在 Ertas Cloud 推出時通過雲端部署。

本指南帶您了解三個核心步驟：上傳資料集、在 Studio 中微調，以及下載您的完成模型。

第 1 步：上傳您的資料集

Ertas 接受 JSONL 格式的訓練資料——每行一個 JSON 物件，這是微調大型語言模型的標準格式。如果您還沒有準備好的資料集，您可以使用 URL 直接從 Hugging Face 匯入。

準備您的資料

典型的 JSONL 訓練文件如下所示：

{"prompt": "Summarize this support ticket", "completion": "Customer reported billing issue..."}
{"prompt": "Classify this email", "completion": "Category: Feature Request"}

每行都是一個獨立的訓練範例。Ertas 在上傳時驗證您的文件，並在開始微調運行之前標記格式問題，讓您儘早發現問題。

還沒有訓練資料？ 瀏覽 Hugging Face 的開放資料集，並將 URL 直接貼到 Ertas 上傳介面中。它會為您處理下載和轉換。

第 2 步：在 Studio 中微調

上傳資料集後，您進入 Ertas Studio——一個由畫布驅動的視覺環境，您可以在其中配置並在雲端 GPU 上啟動微調任務。

Studio 的不同之處

• 同時多個模型 — 在同一個資料集上同時微調多個基礎模型，然後並排比較結果
• 儲存的知識 — Ertas 保留每次微調運行的知識，因此您可以在不同使用案例中迭代和測試，而無需從頭開始
• 視覺工作流程 — 沒有命令列指令或 YAML 配置。通過網頁介面配置超參數、選擇基礎模型並監控訓練進度
• 雲端 GPU — 微調在快速的雲端硬體上運行，因此您不需要昂貴的本地 GPU

Studio 的設計讓您把時間花在評估結果上，而非調試訓練管道。

第 3 步：下載並部署

當您的模型準備好後，將其下載為 GGUF 文件——廣泛支援的在消費級硬體上運行大型語言模型的格式。GGUF 模型可與 llama.cpp、Ollama、LM Studio 等工具一起使用。通過 Ertas Cloud 的雲端部署即將推出。

為何自訂模型很重要

• 沒有重複的 API 費用 — 在您自己的硬體上按需執行推論
• 推論時完整的資料隱私 — 在本地運行時，查詢和回應從不接觸外部伺服器
• 無供應商鎖定 — GGUF 是開放格式。您的模型可與任何相容的運行時一起使用
• 內建的領域專業知識 — 微調模型比任何提示詞工程都更了解您的產品

路線圖上的事項

Ertas 正在建構一個完整的自訂 AI 生態系統：

1. Studio（開發中）— 上述的雲端微調介面，即將推出智慧資料合成建議
2. Hub（即將到來）— 發現並與社群分享微調模型
3. Cloud（即將到來）— 將微調模型部署為 API 端點，並整合工作流程自動化
4. Vault（企業版）— 企業級加密儲存，用於資料集和機密

加入優先預約

Ertas 目前正在開發中。在我們的首頁上報名優先預約，以獲得早期訪問並幫助塑造平台。

建構您信任的模型。在您的資料上訓練它們。按您的條款部署它們。