加快微调节奏,同时不放弃掌控

    Ertas Studio 为机器学习工程师提供一个运行在托管云端 GPU 上的可视化微调工作区,支持并行训练、引导式数据集构建,并可导出为 GGUF 或 safetensors。您可以少花时间写样板代码,把精力放在模型质量上。

    The Challenges You Face

    样板代码拖慢实验

    每次实验都要搭训练循环、数据加载器、适配器配置和量化脚本,这些重复劳动并不能提升模型质量。可是跳过任何一步,又可能带来悄无声息的性能退化,或白白浪费 GPU 时长。

    训练数据散落在各个 notebook 里

    数据集在临时的 notebook 和电子表格里清洗、修改,没有版本管理。模型一旦退化,要追溯到数据中的具体改动非常费时。

    管理 GPU 成本是一份全职工作

    选对实例类型、应对抢占式实例中断、调整批大小让 GPU 保持满载,这些基础设施工作都在挤占真正的研究时间。

    领域专家与训练之间的交接很脆弱

    领域专家在一处审核示例,机器学习工程师在另一处训练,交接靠共享盘和迟早会乱掉的命名规则。很少有一个地方能把某次训练和产生它的数据集版本对应起来。

    How Ertas Solves This

    Ertas Studio 在您已经熟悉的微调流程之上加了一层可视化界面。基础模型和超参数(学习率、步数或轮数、批大小、预热、优化器、GPU)仍由您决定,只是不再需要写训练脚本:在画布上配置好,就会在托管云端 GPU 上启动 LoRA 微调。多种配置可以并行运行,并排比较。

    Studio 的引导式数据集构建工具 Data Craft 让上游的数据工作也有章可循。您可以上传 JSONL 或从 Hugging Face 导入数据集,再以 USER 和 ASSISTANT 轮次编辑示例、做版本管理,并跟踪哪些示例已获批准。领域专家无需写代码,也能在同一个数据集上协作。

    每个训练好的模型都会进入 Hub。您可以导出 Q4_K_M 量化的 GGUF,用于 llama.cpp、Ollama、LM Studio 或端侧部署,也可以导出完整的 safetensors,用于 vLLM 等服务器运行时。模型归您所有,可以在任何地方运行,运行时不依赖 Ertas。

    Key Features for 机器学习工程师

    Studio

    超参数工作区

    通过结构化界面配置学习率、最大步数或轮数、批大小、预热、梯度累积、优化器和 GPU 规格。复制一次训练,改动一个设置,就能对比两者。

    Studio

    Data Craft 中的版本化数据集

    以 USER 和 ASSISTANT 轮次编辑示例,进行版本管理并跟踪批准状态。数据集会被保存,任何一次训练都可以重复;用完后也可以删除。

    Hub

    模型 Hub 与导出

    每个训练好的模型都列在 Hub 中。可下载为 GGUF(用于 llama.cpp、Ollama 和 LM Studio)或完整的 safetensors(用于 vLLM),再用您自己的提示词和工具进行评估。

    Studio

    托管的云端训练

    训练任务在托管的 T4 和 A10G GPU 上运行,可以同时跑多个,无需自行开通实例。驱动、检查点和 GGUF 转换都由 Studio 处理,您只需专注于实验本身。

    Why It Works

    • 在 QMSum 会议摘要基准上,一个用 Ertas 训练的 1.2B 模型取得 35.41 的 ROUGE-1 分数,五个托管前沿模型中最好的一个为 32.43。为单一任务训练的小模型,在这项任务上可以胜过大得多的通用模型。
    • GGUF 导出默认生成 Q4_K_M 量化模型,完整的 safetensors 导出则可在 vLLM 等服务器运行时上部署。
    • 模型目录涵盖 Llama、Qwen、Gemma、Mistral、Phi 和 LFM 系列,参数规模从 230M 到 8B;兼容的 Hugging Face 模型也可以通过 URL 导入。

    Example Workflow

    您的团队有一批领域文档,需要变成一个专用抽取模型的训练数据。数据工程师把它们转换成 JSONL,源文本作为 USER 轮次,目标字段作为 ASSISTANT 轮次,然后上传到 Data Craft。一位领域专家在那里审核示例,修正错误的抽取结果,并批准数据集。

    机器学习工程师在 Studio 画布上把数据集接入三个训练任务:使用默认学习率的 Qwen 2.5 7B 和 Llama 3.1 8B,以及一个学习率更低的 Qwen 任务。三个任务在 A10G GPU 上并行训练。工程师下载 GGUF 文件,用一组保留的提示词逐一打分,选出最好的一个;平台团队再用它的 safetensors 导出在 vLLM 上部署。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.