All Products
Search

This Product

    Platform For AI:Penerapan dan pelatihan model

    Document Center

    Platform For AI:Penerapan dan pelatihan model

    Last Updated:Mar 04, 2026

    Model Gallery menyediakan berbagai model pra-latih untuk membantu Anda menerapkan dan melatih model dengan cepat.

    Pilih model untuk bisnis Anda

    Model Gallery menawarkan beragam model untuk menyelesaikan permasalahan bisnis Anda. Pertimbangkan hal-hal berikut untuk menemukan model terbaik sesuai kebutuhan Anda:

    • Cari berdasarkan domain dan task: Temukan model berdasarkan domain aplikasi dan task yang perlu Anda lakukan.

    • Periksa set data pra-latih: Sebagian besar model mencantumkan set data yang digunakan untuk pre-training. Performa model biasanya lebih baik jika set data pra-latihnya mirip dengan kasus penggunaan Anda. Informasi selengkapnya tentang set data pra-latih tersedia di halaman produk model tersebut.

    • Pertimbangkan ukuran model: Model dengan lebih banyak parameter umumnya memberikan performa lebih baik, tetapi biaya penerapannya juga 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 sebelah kiri, klik Workspaces, lalu pilih ruang kerja target Anda.

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

    2. Temukan model untuk bisnis Anda.

      image

      Anda kemudian dapat menerapkan model tersebut, melakukan debug secara online, dan menguji inferensinya. Untuk informasi lebih lanjut, lihat Deploy a model dan Fine-tune a model.

    Deploy a model

    Untuk contoh penerapan model Qwen3-0.6B, lihat Model Gallery Getting Started - Model Deployment.

    Fine-tune a model

    Untuk contoh fine-tuning model Qwen3-0.6B, lihat Model Gallery Getting Started - Model Fine-tuning.

    Di halaman detail fine-tuning, Anda dapat mengonfigurasi parameter berikut.

    Parameter yang dapat dikonfigurasi untuk fine-tuning

    Parameter Type

    Parameter

    Description

    Training Mode

    Supervised Fine-tuning (SFT)

    Metode pelatihan berikut didukung:

    • Supervised fine-tuning: Melakukan fine-tuning parameter Large Language Model (LLM) dengan menentukan input dan outputnya.

    • Direct preference optimization: Mengoptimalkan model bahasa secara langsung agar selaras dengan preferensi manusia. Metode ini memiliki tujuan optimasi yang sama dengan algoritma Reinforcement Learning from Human Feedback (RLHF).

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

    Direct Preference Optimization (DPO)

    Job Configuration

    Task name

    Nama task default telah disediakan. Anda dapat mengubahnya sesuai petunjuk di antarmuka.

    Maximum running time

    Tetapkan waktu proses maksimum untuk task. Jika task melebihi durasi ini, task akan berhenti.

    Jika Anda menggunakan pengaturan default, waktu proses tidak dibatasi.

    Dataset Configuration

    Training dataset

    Model Gallery menyediakan training dataset default. Jika Anda menggunakan dataset sendiri, siapkan data dalam format yang ditentukan dalam dokumentasi model. Kemudian, unggah data Anda menggunakan salah satu metode berikut.

    • OSS file or directory

      Klik image dan pilih path OSS dari dataset tersebut. Di kotak dialog Select OSS folder or file, Anda dapat memilih file data yang sudah ada atau klik Upload file.

    • Custom Dataset

      Anda dapat menggunakan dataset dari penyimpanan cloud, seperti OSS. Klik image untuk memilih dataset yang sudah ada. Jika Anda belum memiliki dataset, lihat Create and manage datasets untuk membuatnya.

    Validate dataset

    Klik Add validation dataset. Metode konfigurasinya sama seperti untuk 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 di halaman produk ruang kerja, path tersebut akan diisi secara otomatis. Untuk informasi lebih lanjut tentang cara mengonfigurasi path penyimpanan ruang kerja, lihat Manage workspaces.

    Computing Resources

    Resource Type

    Mendukung general computing dan Lingjun Intelligent Computing.

    Source

    • Public Resources:

      • Billing mode: Pay-as-you-go.

      • Scenario: Public resources mungkin mengalami penundaan antrian. Gunakan untuk jumlah kecil task yang tidak mendesak.

    • Resource Quota: Termasuk general computing resources atau Lingjun resources.

      • Billing mode: Subscription.

      • Scenario: Gunakan untuk banyak task yang memerlukan ketersediaan tinggi.

    • Preemptible Resources:

      • Billing mode: Pay-as-you-go.

      • Scenario: Gunakan preemptible resources untuk mengurangi biaya. Sumber daya ini ditawarkan dengan diskon.

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

    Hyperparameters

    Model yang berbeda mendukung hyperparameter yang berbeda. Anda dapat menggunakan nilai default atau mengubahnya sesuai kebutuhan.

    Catatan

    Parameter yang dapat dikonfigurasi mungkin berbeda untuk model yang berbeda. Konfigurasikan parameter sesuai dengan model spesifik Anda.

    Billing

    Model Gallery gratis digunakan. Namun, Anda dikenai biaya untuk sumber daya Elastic Algorithm Service (EAS) dan Deep Learning Containers (DLC) yang digunakan untuk penerapan dan pelatihan model. Untuk informasi lebih lanjut, lihat Billing for Elastic Algorithm Service (EAS) dan Billing for Deep Learning Containers (DLC).

    References

    Model Gallery FAQ