Templates
Utilise ces templates comme base de depart. Chaque fiche indique le type de modele, le format dataset attendu, la charge GPU recommandee et une estimation de temps avant de soumettre un vrai workload.
/datasets.completed et que les rewards sont credites.Dataset conseille pour la premiere demo publique: public-support-mini-v1.jsonl. Lance d abord smoke-logreg-quick, confirme les rewards et l artefact, puis passe a un template texte plus realiste.
Les plus simples pour un premier test public: courts, comprehensibles et faciles a verifier.
Petit test de bout en bout pour verifier qu'une machine AMD/DirectML ou Nvidia/CUDA peut produire un hf-model et un model.gguf.
Templates pour tests VRAM plus lourds, sharding, LoRA et campagnes de validation avancees.
Template le plus fiable pour un petit dataset factuel JSONL: il construit un bundle de reponses ancrees dans le dataset, sans promettre un GGUF.
Template texte standard pour dataset utilisateur: auto_train choisit LoRA SFT et exige un model.gguf final. Compatible CUDA ou DML avec petits reglages memoire.
Template Nvidia uniquement pour valider un vrai fine-tuning Qwen 1.5B avec export GGUF. A utiliser quand la machine expose cuda=true.