為何我們為機器學習構建了畫布介面
大多數 ML 工具是為命令列構建的。我們認為微調值得一個視覺工作空間。以下是我們將 Ertas Studio 設計為畫布的原因——以及這如何改變了微調工作流程。
我們使用的每個機器學習工具都遵循相同的模式:編寫腳本、在終端中運行、查看日誌、調整配置文件、再次運行。整個工作流程都存在於文字中——從配置到監控到評估。
我們一直回到同一 個問題:為什麼微調模型感覺像是管理伺服器,而我們真正在做的是比較實驗?
這個問題促使我們將 Ertas Studio 構建為視覺畫布,而非另一個命令列工具。
基於終端的 ML 工作流程的問題
命令列工具本身沒有任何問題。它們功能強大、可組合,對於定義明確且重複的任務來說是高效的。但微調語言模型不是重複性任務——它是實驗性的。
實驗管理是空間性的
當你比較微調運行時,你需要並排看它們。哪個配置產生了更好的輸出?損失曲線有何不同?當你更改資料集時會發生什麼?
在終端工作流程中,這些資訊存在於日誌文件、單獨的終端窗口、追蹤實驗參數的試算表,以及你對哪次運行是哪次的記憶中。你不斷地在編寫命令、讀取日誌和比較結果之間切換上下文。
這是一個空間問題,被強制進入了順序介面。
配置是隱藏的
YAML 配置文件是一堵文字牆。更改一個參數意味著在文件中找到它,理解它與其他參數的關係,並記住你以前嘗試過哪些值。在你運行訓練任務並等待結果之前,沒有視覺反饋。
受眾是錯誤的
基於命令列的 ML 工具假設用戶是在終端感到舒適的 ML 工程師。但擁有最深領域知識的人——那些能夠整理最好的訓練資料並最有效地評估結果的人——通常不是 ML 工程師。
通過要求終端熟練度,現有工具排除了可以對模型品質貢獻最多的人。
畫布改變了什麼
並排比較
在畫布上,你在空間上排列實驗。兩個微調運行並排放置。它們的損 失曲線疊加。相同測試提示的輸出出現在相鄰面板中。你可以一眼看出哪個配置效果更好。
這不是外觀上的差異——它改變了你對問題的思考方式。你不再是順序運行實驗並在腦子裡追蹤結果,而是並行設計實驗並視覺比較它們。
直接操作
調整超參數是一個滑塊,而非編輯配置文件。開始訓練運行是一個按鈕,而非終端命令。介面為每個操作提供了即時上下文:參數是什麼、什麼範圍是合理的、你以前嘗試過哪些值。
這消除了一層間接性。你直接使用訓練配置,而不是編寫修改配置的命令。
漸進式披露
畫布可以向你展示你需要的確切複雜度。快速訓練運行的默認設置。細粒度超參數控制的可展開面板。高級選項在你需要它們之前隱藏。
相比之下,命令列要麼隱藏所有內容(需要查閱文件),要麼顯示所有內容(用數百個標誌壓倒新用戶)。
共享理解
視覺工作空間可以共享。產品經理可以看畫布並理解哪些實驗已經運行、結果看起來如何,以及模型在開發過程中處於哪個階段。試試用一個訓練腳本文件夾和日誌文件來做到這一點。
我們做出的設計決策
畫布就是工作空間
Ertas Studio 不是你填寫並提交的表格。它是一個工作空間,你在其中在空間上排列你的資料集、模型、訓練運行和評估。你隨著時間積累一個畫布,它成為你微調實驗的視覺記錄。
同時訓練
最常見的微調模式之一是以小的變化運行相同的訓練設置——不同的學習率、不同的 LoRA 秩、不同的資料集子集。畫布使這很自然:複製訓練配置,更改一個參數,然後同時運行兩者。結果在完成時並排出現。
這將以前是順序、多小時的過程變成了在單個訓練週期內完成的並行比較。
GGUF 作為出口點
我們不想構建另一個封閉的生態系統。畫布是你實驗的地方。GGUF 是你離開的方式。每個微調的模型都可以匯出為標準 GGUF 文件,並用任何相容工具部署——Ollama、LM Studio、llama.cpp 或你自己的自訂推理設置。
畫布使微調易於訪問。開放格式確保你永遠不會被鎖定。
智能默認值,完全控制
每個設置都有一個經過良好測試的默認值。對於大多數用戶,使用默認值點擊「開始訓練」會產生良好的結果。但每個參數都可以由想要完全控制的用戶調整。我們發現這種雙重方法服務於兩個受眾,而不損害任何一個。
我們學到了什麼
構建視覺 ML 工具教會了我們一些事情:
領域專家比 ML 工程師產生更好的訓練資料。 當我們移除了終端障礙,訓練資料集的品質顯著提高。理解領域的人可以直接整理並迭代他們的資料。
比較是核心活動。 大部分微調不是訓練——而是評估和比較。工具應該針對比較而優化,而不僅僅是執行。
基礎設施不應該可見。 GPU 配置、CUDA 驅動程式、訓練框架版本——這些對嘗試構建自訂模型的人來說都不重要。畫布將其抽象掉,而不為想要它的用戶移除控制。
視覺工具並不更弱。 這是我們進入時最大的誤解。我們期望為可用性犧牲能力。相反,視覺介面使某些工作流程——比如多模型比較——比等效的命令列顯著更強大。
親自試試
Ertas Studio 是我們認為微調應該是的樣子:視覺的、並行的、易於訪問的——同時不犧牲有經驗的從業者需要的功能。
Ertas 方案 $10/月起。 查看定價 →
延伸閱讀
- 介紹 Ertas Studio — 帶有演示的功能說明
- 無需編寫程式碼微調 AI 模型 — 非技術用戶的實用指南
- 如何微調 LLM:完整指南 — 完整的微調工作流程
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.
Keep reading
無需程式碼微調 AI:6 個視覺化步驟
上傳 JSONL 資料集、選擇基礎模型、在託管雲端 GPU 上訓練並匯出 GGUF,全程在視覺化畫布上完成。無需 Python、終端機或 GPU 配置。
面向非ML工程師的RAG管道:領域專家如何建構檢索系統
最了解資料的人——醫生、律師、工程師、分析師——被排除在建構RAG管道之外,因為工具需要Python專業知識。視覺化管道建構器改變了誰可以參與。
最佳視覺化RAG管道建構器:從文件到檢索端點無需撰寫程式碼
建構RAG管道通常需要五個或更多Python函式庫的專業知識。視覺化管道建構器讓領域專家和工程師都能透過在畫布上拖放和連接節點來建構生產級RAG。