All Products
Search

This Product

    Platform For AI:Penerapan dan pelatihan model

    Document Center

    Platform For AI:Penerapan dan pelatihan model

    Last Updated:Aug 21, 2026

    Model Gallery menyediakan ratusan model yang telah dilatih sebelumnya dan mendukung penerapan satu klik sebagai layanan inferensi serta fine-tuning.

    Select a model

    Model Gallery menawarkan koleksi model yang beragam. Gunakan metode berikut untuk menemukan model yang paling sesuai dengan kebutuhan Anda:

    • Search by domain and task: Filter model berdasarkan domain aplikasi dan jenis tugas.

    • Review the pretraining dataset: Set data prapelatihan yang mirip dengan kasus penggunaan Anda menghasilkan kinerja model yang lebih baik untuk penerapan langsung maupun fine-tuning. Informasi selengkapnya mengenai set data prapelatihan tersedia di halaman detail model.

    • Consider the model size: Model dengan jumlah parameter lebih banyak umumnya memberikan kinerja lebih baik, tetapi juga memerlukan biaya penerapan yang lebih tinggi dan lebih banyak data untuk fine-tuning.

    Untuk menemukan model:

    1. Buka halaman Model Gallery.

      1. Masuk ke PAI console.

      2. Pada panel navigasi di sisi kiri, klik Workspaces, lalu pilih ruang kerja.

      3. Pada panel navigasi di sisi kiri, klik QuickStart > Model Gallery untuk membuka halaman Model Gallery.

    2. Temukan model.

      Anda dapat mencari model menggunakan kotak pencarian, memfilter berdasarkan sumber model (ModelScope, PAI, atau NIM), atau menerapkan tag kasus penggunaan.

      Setelah menemukan model, Anda dapat menerapkannya, melakukan debug secara online, atau memverifikasi kinerja inferensinya. Deploy a model, Fine-tune a model.

    Deploy a model

    Sebagai contoh, untuk menerapkan Qwen3-0.6B, ikuti Model Gallery Quick Start - Model Deployment.

    Fine-tune a model

    Sebagai contoh, untuk melakukan fine-tuning pada Qwen3-0.6B, ikuti Model Gallery Quick Start - Model Fine-tuning.

    Konfigurasikan parameter berikut pada halaman detail pekerjaan fine-tuning.

    Configurable parameters for fine-tuning

    Parameter type

    Parameter

    Description

    Training Mode

    Supervised Fine-tuning (SFT)

    Mode pelatihan yang didukung:

    • Supervised Fine-tuning (SFT): Melakukan fine-tune parameter model dengan pasangan input-output yang ditentukan.

    • Direct Preference Optimization (DPO): Menyelaraskan model bahasa dengan preferensi manusia, memiliki tujuan yang sama dengan Reinforcement Learning from Human Feedback (RLHF).

    Kedua mode mendukung full-parameter fine-tuning, LoRA, dan QLoRA.

    Direct Preference Optimization (DPO)

    Job Configuration

    Task name

    Nama default telah disediakan. Ubah sesuai kebutuhan.

    Maximum running time

    Durasi maksimum tugas. Tugas akan berhenti jika melebihi batas ini.

    Default: tanpa batas waktu.

    Dataset Configuration

    Training dataset

    Data pelatihan default telah disediakan. Untuk menggunakan dataset kustom, siapkan dalam format yang ditentukan dalam dokumentasi model dan unggah dengan salah satu metode berikut:

    • OSS file or directory

      Klik image untuk memilih path OSS dataset Anda. Pada kotak dialog Select OSS folder or file, pilih file yang sudah ada atau klik Upload file.

    • Custom Dataset

      Gunakan dataset yang disimpan di penyimpanan cloud seperti OSS. Klik image untuk memilih dataset yang sudah ada. Jika belum ada dataset, buat dengan mengikuti Create and manage datasets.

    Validate dataset

    Klik Add validation dataset untuk menambahkannya. Konfigurasikan dengan cara yang sama seperti Training dataset.

    Output Configuration

    Path penyimpanan cloud untuk model yang telah dilatih dan file log TensorBoard.

    Catatan

    Jika path OSS default telah dikonfigurasi pada halaman detail ruang kerja, bidang ini akan diisi otomatis. Manage workspaces.

    Computing Resources

    Resource Type

    Didukung: General Computing dan Lingjun Intelligent Computing.

    Source

    • Public Resources:

      • Mode penagihan: pay-as-you-go.

      • Kasus penggunaan: Tugas skala kecil tanpa persyaratan latensi ketat.

    • Resource Quota: Sumber daya General Computing atau Lingjun Intelligent Computing.

      • Mode penagihan: subscription.

      • Kasus penggunaan: Beban kerja yang lebih besar yang memerlukan ketersediaan tinggi dan jaminan eksekusi.

    • Preemptible Resources:

      • Mode penagihan: pay-as-you-go.

      • Kasus penggunaan: Ditawarkan dengan diskon signifikan untuk mengurangi biaya.

      • Batasan: Ketersediaan tidak dijamin. Sumber daya mungkin tidak tersedia atau ditarik kembali. Use preemptible jobs.

    Hyperparameters

    Hiperparameter bervariasi tergantung model. Gunakan nilai default atau ubah sesuai kebutuhan.
    Catatan

    Parameter yang tersedia bervariasi tergantung model. Sesuaikan berdasarkan kebutuhan model Anda.

    Billing

    Model Gallery gratis. Anda dikenai biaya untuk sumber daya EAS dan DLC yang digunakan selama penerapan dan pelatihan. Billing for Elastic Algorithm Service (EAS), Billing for Deep Learning Containers (DLC).

    References

    Model Gallery FAQ