All Products
Search

This Product

    Platform For AI:Penerapan dan pelatihan model

    Document Center

    Platform For AI:Penerapan dan pelatihan model

    Last Updated:Jun 21, 2026

    Model Gallery menyediakan berbagai model pra-latih untuk membantu Anda memulai penerapan dan pelatihan model secara cepat.

    Pilih model yang sesuai dengan kebutuhan bisnis Anda

    Model Gallery menyediakan beragam model untuk membantu Anda menyelesaikan masalah bisnis di dunia nyata. Gunakan panduan berikut untuk menemukan model yang paling sesuai dengan kebutuhan Anda:

    • Cari berdasarkan domain dan tugas: Temukan model berdasarkan domain aplikasi dan tugas spesifik yang ingin Anda lakukan.

    • Tinjau set data pre-training: Sebagian besar model mencantumkan set data yang digunakan untuk pre-training. Semakin mirip set data pre-training dengan kasus penggunaan aktual Anda, semakin baik kinerja model saat diterapkan atau dilakukan fine-tuning secara langsung. Informasi lebih lanjut mengenai set data pre-training tersedia di halaman detail model.

    • Pertimbangkan ukuran model: Secara umum, model dengan lebih banyak parameter memberikan kinerja yang lebih baik. Namun, biaya selama serving model juga lebih tinggi dan memerlukan lebih banyak data untuk fine-tuning.

    Ikuti langkah-langkah berikut untuk menemukan model yang sesuai:

    1. Buka halaman Model Gallery.

      1. Masuk ke PAI console.

      2. Di panel navigasi sebelah kiri, klik Workspaces, lalu pilih dan masuk ke ruang kerja target Anda.

      3. Di panel navigasi sebelah kiri, klik QuickStart > Model Gallery untuk membuka halaman Model Gallery.

    2. Temukan model yang sesuai dengan kebutuhan bisnis Anda.

      Di bagian Getting Started pada panel navigasi kiri Konsol PAI, klik Model Gallery untuk menuju halaman Model Gallery. Gunakan kotak pencarian, filter berdasarkan sumber model (ModelScope, PAI, NIM), atau telusuri kartu model yang tersedia berdasarkan tag skenario.

      Setelah memilih model, Anda dapat langsung menerapkannya dan melakukan debugging online untuk memvalidasi kinerja inferensinya. Untuk detailnya, lihat Terapkan model dan Fine-tune model.

    Terapkan model

    Untuk petunjuk lengkap menggunakan model Qwen3-0.6B sebagai contoh, lihat Panduan Cepat Mulai Model Gallery – Penerapan model.

    Menyempurnakan model

    Untuk petunjuk lengkap menggunakan model Qwen3-0.6B sebagai contoh, lihat Panduan Cepat Mulai Model Gallery – Fine-tuning model.

    Di halaman detail pekerjaan fine-tuning, konfigurasikan parameter berikut.

    Parameter yang dapat dikonfigurasi untuk fine-tuning

    Jenis Parameter

    Parameter

    Deskripsi

    Training Mode

    SFT supervised fine-tuning

    Metode pelatihan yang didukung meliputi:

    • Supervised fine-tuning: Lakukan fine-tuning Large Language Model (LLM) menggunakan pasangan input-output.

    • Direct preference optimization: Optimalkan model bahasa secara langsung agar selaras dengan preferensi manusia, secara implisit memiliki tujuan yang sama dengan algoritma RLHF.

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

    DPO direct preference optimization

    Job Configuration

    Task name

    Nama pekerjaan default telah disediakan. Anda dapat mengubahnya sesuai petunjuk antarmuka.

    Maximum running time

    Tetapkan durasi maksimum yang diizinkan untuk pekerjaan. Jika pekerjaan melebihi durasi ini, pekerjaan akan berhenti secara otomatis.

    Jika Anda mempertahankan pengaturan default, waktu proses pekerjaan tidak dibatasi oleh parameter ini.

    Dataset Configuration

    Training dataset

    Model Gallery menyediakan data pelatihan default. Jika Anda tidak menggunakan set data default, siapkan data pelatihan Anda dalam format yang ditentukan dalam dokumentasi model, lalu unggah menggunakan salah satu metode berikut.

    • OSS file or directory

      Klik image, lalu pilih path OSS tempat set data Anda disimpan. Di kotak dialog Select OSS folder or file, pilih file data yang sudah ada atau Upload file.

    • Custom Dataset

      Anda dapat menggunakan set data yang disimpan di layanan penyimpanan cloud seperti OSS. Klik image untuk memilih set data yang sudah ada. Jika Anda belum memiliki set data, buat set data tersebut dengan mengikuti petunjuk di Create and manage datasets.

    Validate dataset

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

    Output Configuration

    Pilih path penyimpanan cloud untuk menyimpan model yang telah dilatih dan file log TensorBoard.

    Catatan

    Jika Anda telah mengonfigurasi path penyimpanan OSS default untuk ruang kerja Anda di halaman detail ruang kerja, bidang ini akan diisi otomatis dan tidak memerlukan pengaturan manual. Untuk petunjuk mengonfigurasi path penyimpanan ruang kerja, lihat Manage workspaces.

    Computing Resources

    Resource Type

    Mendukung general computing dan Lingjun Intelligent Computing.

    Source

    • Public Resources:

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

      • Skenario: Sumber daya publik mungkin mengalami penundaan antrian. Gunakan sumber daya ini ketika jumlah pekerjaan Anda relatif sedikit dan sensitivitas waktu rendah.

    • Resource Quota: Termasuk sumber daya general computing atau Lingjun Intelligent Computing

      • Metode penagihan: subscription.

      • Skenario: Ideal untuk beban kerja volume tinggi yang memerlukan jaminan eksekusi.

    • Preemptible Resources:

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

      • Skenario: Gunakan sumber daya preemptible untuk mengurangi biaya—biasanya menawarkan diskon signifikan.

      • Batasan: Ketersediaan tidak dijamin. Sumber daya mungkin tidak tersedia segera atau dapat dicabut. Untuk informasi lebih lanjut, lihat Use preemptible jobs.

    Hyperparameters

    Model yang berbeda mendukung konfigurasi hiperparameter yang berbeda. Gunakan nilai default atau ubah sesuai kebutuhan.
    Catatan

    Parameter yang tersedia bervariasi tergantung model. Konfigurasikan sesuai dengan model spesifik Anda.

    Penagihan

    Model Gallery gratis, tetapi penerapan dan pelatihan model dikenai biaya dari Elastic Algorithm Service (EAS) dan Deep Learning Containers (DLC). Untuk detailnya, lihat Elastic Algorithm Service (EAS) billing dan Deep Learning Containers (DLC) billing.

    Referensi

    Model Gallery FAQ