All Products
Search

This Product

    Platform For AI:Penerapan dan pelatihan model

    Document Center

    Platform For AI:Penerapan dan pelatihan model

    Last Updated:Apr 04, 2026

    Model Gallery menyediakan model yang telah dilatih sebelumnya yang dapat Anda terapkan sebagai layanan inferensi atau fine-tune dengan data Anda sendiri.

    Pilih model

    Model Gallery menawarkan model untuk berbagai domain dan task. Pertimbangkan faktor-faktor berikut saat memilih model:

    • Cari berdasarkan domain dan task: Filter model berdasarkan domain aplikasi dan jenis task.

    • Periksa set data pretraining: Set data pretraining yang mirip dengan kasus penggunaan Anda menghasilkan performa lebih baik untuk penerapan dan fine-tuning. Lihat detail set data di halaman detail model.

    • Pertimbangkan ukuran model: Model yang lebih besar umumnya memiliki performa lebih baik, tetapi biaya pelayanannya lebih tinggi dan memerlukan lebih banyak data untuk fine-tuning.

    Untuk menemukan model:

    1. Buka halaman Model Gallery.

      1. Login ke PAI console.

      2. Di panel navigasi kiri, klik Workspaces, lalu pilih ruang kerja.

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

    2. Temukan model.

      image

      Setelah menemukan model, Anda dapat menerapkannya, melakukan debug secara online, atau memverifikasi performa inferensinya. Untuk petunjuk selengkapnya, lihat Deploy a model dan Fine-tune a model.

    Deploy a model

    Untuk contoh penerapan Qwen3-0.6B, lihat Model Gallery Quick Start - Model Deployment.

    Fine-tune a model

    Untuk contoh fine-tuning Qwen3-0.6B, lihat Model Gallery Quick Start - Model Fine-tuning.

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

    Parameter yang dapat dikonfigurasi untuk 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): Mengoptimalkan model bahasa agar selaras dengan preferensi manusia. Memiliki tujuan optimasi 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 task. Task akan berhenti ketika waktu ini terlampaui.

    Default: tidak ada batas waktu.

    Dataset Configuration

    Training dataset

    Model Gallery menyediakan data pelatihan default. Untuk menggunakan dataset kustom, siapkan dalam format yang ditentukan dalam dokumentasi model, lalu unggah dengan salah satu metode berikut:

    • OSS file or directory

      Klik image untuk memilih path OSS dataset Anda. Di 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, lihat Create and manage datasets untuk membuatnya.

    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 penyimpanan OSS default telah dikonfigurasi di halaman detail ruang kerja, bidang ini akan diisi secara otomatis. Untuk informasi lebih lanjut, lihat Manage workspaces.

    Computing Resources

    Resource Type

    General Computing dan Lingjun Intelligent Computing didukung.

    Source

    • Public Resources:

      • Billing mode: pay-as-you-go.

      • Use cases: Paling cocok untuk jumlah task kecil tanpa persyaratan latensi ketat.

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

      • Billing mode: subscription.

      • Use cases: Paling cocok untuk beban kerja besar yang memerlukan ketersediaan tinggi dan eksekusi terjamin.

    • Preemptible Resources:

      • Billing mode: pay-as-you-go.

      • Use cases: Preemptible resources ditawarkan dengan diskon signifikan untuk mengurangi biaya.

      • Limitations: Ketersediaan tidak dijamin. Sumber daya mungkin tidak tersedia atau ditarik kembali. Untuk informasi lebih lanjut, lihat Use preemptible jobs.

    Hyperparameters

    Hyperparameter 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 Elastic Algorithm Service (EAS) dan Deep Learning Containers (DLC) yang digunakan selama penerapan dan pelatihan. Untuk detailnya, lihat Billing for Elastic Algorithm Service (EAS) dan Billing for Deep Learning Containers (DLC).

    References

    Model Gallery FAQ