Model Gallery propose des centaines de modèles préentraînés qui permettent un déploiement en un clic sous forme de services d'inférence ainsi que leur affinage.
Sélectionner un modèle
Model Gallery offre une collection diversifiée de modèles. Utilisez les méthodes suivantes pour trouver rapidement le modèle le mieux adapté à vos besoins :
Recherche par domaine et tâche : filtrez les modèles par domaine d'application et type de tâche.
Examen du jeu de données de préentraînement : un jeu de données étroitement adapté à votre cas d'utilisation améliore les performances du modèle pour un déploiement direct et un affinage. La page de détails du modèle contient davantage d'informations sur le jeu de données de préentraînement.
Prise en compte de la taille du modèle : les modèles comportant plus de paramètres offrent généralement de meilleures performances, mais ils entraînent également des coûts de déploiement plus élevés et nécessitent davantage de données pour l'affinage.
Pour trouver un modèle :
-
Accédez à la page Model Gallery.
Connectez-vous à la console PAI.
Dans le volet de navigation de gauche, cliquez sur Workspaces, puis sélectionnez un espace de travail.
Dans le volet de navigation de gauche, cliquez sur QuickStart > Model Gallery pour accéder à la page Model Gallery.
-
Trouvez un modèle.
Trouvez un modèle en utilisant la zone de recherche, en filtrant par source de modèle (ModelScope, PAI ou NIM) ou en appliquant des tags de cas d'utilisation.
Une fois le modèle trouvé, déployez-le, déboguez-le en ligne ou vérifiez ses performances d'inférence. Déployer un modèle, Affiner un modèle.
Déployer un modèle
Pour déployer Qwen3-0,6B à titre d'exemple, suivez le guide Démarrage rapide de Model Gallery - Déploiement de modèle.
Affiner un modèle
Pour affiner Qwen3-0,6B à titre d'exemple, suivez le guide Démarrage rapide de Model Gallery - Affinage de modèle.
Configurez les paramètres suivants sur la page de détails de la tâche d'affinage.
|
Type de paramètre |
Paramètre |
Description |
|
Training Mode |
Supervised Fine-tuning (SFT) |
Modes d'entraînement pris en charge :
Les deux modes prennent en charge l'affinage complet des paramètres, LoRA et QLoRA. |
|
Direct Preference Optimization (DPO) |
||
|
Job Configuration |
Task name |
Un nom par défaut est fourni. Modifiez-le si nécessaire. |
|
Maximum running time |
Durée maximale de la tâche. La tâche s'arrête lorsque ce délai est dépassé. Par défaut : aucune limite de temps. |
|
|
Dataset Configuration |
Training dataset |
Des données d'entraînement par défaut sont fournies. Pour utiliser un jeu de données personnalisé, préparez-le selon le format spécifié dans la documentation du modèle et téléchargez-le en utilisant l'une des méthodes suivantes :
|
|
Validate dataset |
Cliquez sur Add validation dataset pour en ajouter un. Configurez-le de la même manière que Training dataset. |
|
|
Output Configuration |
Chemin de stockage cloud pour le modèle entraîné et les fichiers journaux TensorBoard. Remarque
Si un chemin OSS par défaut est configuré sur la page de détails de l'espace de travail, ce champ est rempli automatiquement. Gérer les espaces de travail. |
|
|
Computing Resources |
Resource Type |
Pris en charge : General Computing et Lingjun Intelligent Computing. |
|
Source |
|
|
|
Hyperparameters |
Les hyperparamètres varient selon le modèle. Utilisez les valeurs par défaut ou modifiez-les si nécessaire. |
|
pour sélectionner le chemin OSS de votre jeu de données. Dans la boîte de dialogue Select OSS folder or file, sélectionnez un fichier existant ou cliquez sur Upload file.
pour sélectionner un jeu de données existant. Si aucun jeu de données n'existe, créez-en un en suivant la procédure Les paramètres disponibles varient selon le modèle. Ajustez-les en fonction des exigences de votre modèle.
Facturation
Model Gallery est gratuit. Vous êtes facturé pour les ressources EAS et DLC consommées lors du déploiement et de l'entraînement. Facturation d'Elastic Algorithm Service (EAS), Facturation de Deep Learning Containers (DLC).