Todos os produtos
Search

Este produto

    Platform For AI:Deploy and train models

    Central de documentação

    Platform For AI:Deploy and train models

    Última atualização: Sep 22, 2026

    O Model Gallery oferece centenas de modelos pré-treinados com suporte a implantação com um clique como serviços de inferência e ajuste fino (fine-tuning).

    Selecione um modelo

    O Model Gallery disponibiliza uma coleção diversificada de modelos. Use os métodos a seguir para encontrar rapidamente o modelo mais adequado às suas necessidades:

    • Pesquisa por domínio e tarefa: filtre modelos por domínio de aplicação e tipo de tarefa.

    • Análise do dataset de pré-treinamento: um dataset próximo ao seu caso de uso proporciona melhor desempenho do modelo tanto para implantação direta quanto para ajuste fino. A página de detalhes do modelo contém mais informações sobre o dataset de pré-treinamento.

    • Tamanho do modelo: modelos com mais parâmetros geralmente apresentam melhor desempenho, porém também têm custos de implantação mais elevados e exigem mais dados para ajuste fino.

    Para encontrar um modelo:

    1. Acesse a página do Model Gallery.

      1. Faça login no PAI console.

      2. No painel de navegação à esquerda, clique em Workspaces e selecione um workspace.

      3. No painel de navegação à esquerda, clique em QuickStart > Model Gallery para acessar a página do Model Gallery.

    2. Encontre um modelo.

      Use a caixa de pesquisa, filtre por origem do modelo (ModelScope, PAI ou NIM) ou aplique tags de caso de uso para encontrar o modelo desejado.

      Após encontrar um modelo, implante-o, depure-o online ou verifique seu desempenho de inferência. Deploy a model, Fine-tune a model.

    Implante um modelo

    Para implantar o Qwen3-0,6B como exemplo, siga Model Gallery Quick Start - Model Deployment.

    Ajuste fino de um modelo

    Para ajustar o Qwen3-0,6B como exemplo, siga Model Gallery Quick Start - Model Fine-tuning.

    Configure os parâmetros a seguir na página de detalhes do job de ajuste fino.

    Parâmetros configuráveis para ajuste fino

    Tipo de parâmetro

    Parâmetro

    Descrição

    Training Mode

    Supervised Fine-tuning (SFT)

    Modos de treinamento disponíveis:

    • Supervised Fine-tuning (SFT): ajusta os parâmetros do modelo com pares de entrada e saída especificados.

    • Direct Preference Optimization (DPO): alinha um modelo de linguagem com preferências humanas, compartilhando o mesmo objetivo do Reinforcement Learning from Human Feedback (RLHF).

    Ambos os modos aceitam ajuste fino com todos os parâmetros, LoRA e QLoRA.

    Direct Preference Optimization (DPO)

    Job Configuration

    Task name

    O sistema fornece um nome padrão. Modifique conforme necessário.

    Maximum running time

    Duração máxima da tarefa. A tarefa para ao exceder esse limite.

    Padrão: sem limite de tempo.

    Dataset Configuration

    Training dataset

    O sistema fornece dados de treinamento padrão. Para usar um dataset personalizado, prepare-o no formato especificado na documentação do modelo e faça o upload por um dos seguintes métodos:

    • OSS file or directory

      Clique em image para selecionar o caminho OSS do seu dataset. Na caixa de diálogo Select OSS folder or file, selecione um arquivo existente ou clique em Upload file.

    • Custom Dataset

      Use datasets armazenados em cloud storage como o OSS. Clique em image para selecionar um dataset existente. Se não houver nenhum dataset, crie um seguindo Create and manage datasets.

    Validate dataset

    Clique em Add validation dataset para adicionar um dataset de validação. Configure-o da mesma forma que o Training dataset.

    Output Configuration

    Caminho do cloud storage para o modelo treinado e os arquivos de log do TensorBoard.

    Nota

    Se um caminho OSS padrão estiver configurado na página de detalhes do workspace, esse campo será preenchido automaticamente. Manage workspaces.

    Compute Resource

    Resource Type

    Tipos disponíveis: General Computing e Lingjun Intelligent Computing.

    Source

    • Public Resources:

      • Modo de faturamento: pagamento conforme o uso.

      • Casos de uso: tarefas de pequena escala sem requisitos rigorosos de latência.

    • Resource Quota: recursos General Computing ou Lingjun Intelligent Computing.

      • Modo de faturamento: assinatura.

      • Casos de uso: cargas de trabalho maiores que exigem alta disponibilidade e execução garantida.

    • Preemptible Resources:

      • Modo de faturamento: pagamento conforme o uso.

      • Indicado para: redução significativa de custos por meio de descontos expressivos.

      • Limitações: a disponibilidade não é garantida. Os recursos podem ficar indisponíveis ou ser recuperados. Use preemptible jobs.

    Hyperparameter

    Os hiperparâmetros variam conforme o modelo. Use os valores padrão ou modifique conforme necessário.
    Nota

    Os parâmetros disponíveis variam conforme o modelo. Ajuste-os de acordo com os requisitos do seu modelo.

    Faturamento

    O Model Gallery é gratuito. A cobrança recai sobre os recursos de EAS e DLC consumidos durante a implantação e o treinamento. Billing for Elastic Algorithm Service (EAS), Billing for Deep Learning Containers (DLC).

    Referências

    Model Gallery FAQ