Ertas 入门：Fine-Tune 和部署自定义 AI 模型

大多数 AI 平台要求你按 token 付费，并对通用模型抱有最好的期望。Ertas 的工作方式不同。你通过可视化界面使用云 GPU 来 fine-tune 模型，然后下载并在自己的硬件上运行——或在 Ertas Cloud 启动后通过其部署。

本指南引导你完成三个核心步骤：上传数据集、在 Studio 中 fine-tuning 以及下载完成的模型。

第 1 步：上传你的数据集

Ertas 接受 JSONL 格式 的训练数据。如果你没有准备好的数据集，可以使用 URL 直接从 Hugging Face 导入。

准备你的数据

典型的 JSONL 训练文件如下：

{"prompt": "总结这个支持工单", "completion": "客户报告了账单问题..."}
{"prompt": "分类这封邮件", "completion": "类别：功能请求"}

第 2 步：在 Studio 中 Fine-Tune

数据集上传后，你进入 Ertas Studio——一个画布驱动的可视化环境，你可以在云 GPU 上配置和启动 fine-tuning 任务。

Studio 的不同之处

• 同时多个模型 — 在同一数据集上同时 fine-tune 多个基础模型，然后并排比较
• 保存知识 — Ertas 保留每次 fine-tuning 运行的知识
• 可视化工作流 — 无命令行脚本或 YAML 配置
• 云 GPU — Fine-tuning 在快速云硬件上运行

第 3 步：下载和部署

模型准备好后，以 GGUF 文件 格式下载——广泛支持的在消费级硬件上运行大语言模型的格式。

为什么自定义模型很重要

• 无持续 API 成本 — 在你自己的硬件上无限次运行推理
• 推理时完全数据隐私 — 本地运行时查询和响应不触及外部服务器
• 无供应商锁定 — GGUF 是开放格式
• 领域专业知识内置 — fine-tuned 模型比任何提示工程都更理解你的产品

路线图

1. Studio （开发中） — 上述云 fine-tuning 界面
2. Hub （即将推出） — 发现和分享 fine-tuned 模型
3. Cloud （规划中） — 部署 fine-tuned 模型为 API 端点
4. Vault （企业版） — 企业级加密存储

加入等待列表

Ertas 目前正在开发中。在我们的首页注册等待列表以获得早期访问。

---

构建你信任的模型。在你的数据上训练它们。按你的条件部署它们。