Ertas Studio发布：AI模型微调的可视化画布

微调语言模型通常意味着编写训练脚本、管理配置文件，以及在终端窗口之间切换来比较运行结果。Ertas Studio用一个可视化画布取代了整个工作流程，你可以在其中同时微调多个模型并排比较结果。

当前微调工作流程的问题

如果你之前微调过模型，你了解这个流程：

• 编写训练脚本或改写别人的
• 在配置文件中管理超参数
• 按顺序运行任务并手动追踪哪些设置产生了哪些结果
• 将检查点转换为可部署格式
• 对每个想要比较的基础模型重复以上步骤

每一步都引入摩擦。当你比较完三个不同超参数的基础模型时，你花在工具上的时间已经多于评估结果的时间。

Studio如何工作

Studio是一个画布驱动的Web界面，处理从数据上传到模型下载的整个微调流程。

上传你的数据

首先上传一个JSONL训练数据集或从Hugging Face导入。Studio会在训练开始前验证你的数据并显示格式问题。

在画布上微调

Studio画布是核心工作区。选择基础模型，配置训练参数，在云GPU上启动微调任务——一切通过可视化界面完成。

其强大之处在于你可以同时运行多个微调任务。在同一数据集上训练不同基础模型，或在同一模型上测试不同超参数。画布同时显示所有运行中和已完成的任务，让你无需切换窗口或扫描日志文件即可比较输出。

知识保留

每次微调运行都会保存。这意味着你可以：

• 返回任何之前的运行，查看其配置和结果
• 将之前微调过的模型作为新运行的起点
• 在不重新训练的情况下跨不同用例测试同一微调模型

当你在迭代时这特别有用——调整数据集，运行新任务，将新结果与基线进行比较，而不会丢失任何之前的工作。

下载为GGUF

当你对模型满意时，将其下载为GGUF文件。这是一种开放格式，可以在消费级硬件上使用llama.cpp、Ollama和LM Studio等工具运行。无需云依赖，无API费用，无供应商锁定。Ertas Cloud的云端部署也即将推出，适合需要托管API端点的团队。

Studio的目标用户

• 构建AI产品的工程师 — 为特定任务（分类、摘要、代码生成）微调模型，无需管理训练基础设施
• 评估基础模型的团队 — 在你的实际数据上比较多个基础模型以找到最佳匹配
• 注重隐私的组织 — 在自有硬件上运行模型，完全控制推理数据
• 独立开发者和研究人员 — 几分钟内从数据集到可部署模型，而非几天

数据合成 （即将推出）

我们正在开发智能数据合成建议功能，它会分析你上传的数据集并推荐额外的训练示例来提升模型性能。这将帮助训练数据有限的团队从微调运行中获得更好的结果。

获取早期访问

Studio目前正在开发中。加入候补名单获取早期访问权限，并提供反馈来塑造产品。

---

微调应该专注于评估结果，而不是调试管道。这就是Studio的意义。