Lokalisierter Leseleitfaden

huggingface-llm-trainerZweck, Verwendung und Quelle

Trainieren oder optimieren Sie Sprach- und Bildverarbeitungsmodelle mit TRL (Transformer Reinforcement Learning) oder Unsloth mithilfe der Hugging Face Jobs-Infrastruktur. Behandelt werden SFT-, DPO-, GRPO- und Reward-Modeling-Trainingsmethoden sowie die GGUF-Konvertierung für den lokalen Einsatz. Enthält Anleitungen zum TRL Jobs-Paket und UV-Skripten mit PEP.723Formatierung, Datensatzaufbereitung und -validierung, Hardwareauswahl, Kostenschätzung, Trackio-Überwachung, Hub-Authentifizierung, Modellselection/leaderboardsund Modellpersistenz. Verwendung für Aufgaben mit Cloud-GPU-Training, GGUF-Konvertierung oder wenn Benutzer das Training auf Hugging Face Jobs ohne lokale GPU-Einrichtung erwähnen.

Quelle abgerufen: 2026-10-29

Quell-Repository: huggingface/skills
SKILL.md: skills/huggingface-llm-trainer/SKILL.md
Repository-Sterne: 11,241
Repository zuletzt aktualisiert: 2026-10-30
Fähigkeitskategorien: Daten
Letzte Datenerfassung: 2026-10-31 10:38 UTC+08:00

Lizenz: Apache-2.0

Original SKILL.md

Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.

Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.

Was diese Fähigkeit bewirkt

Wie der vorgelagerte Workflow funktioniert

Schnellstart: Drei Ansätze

💡 Tipp für Demos: Für schnelle Demos auf kleineren GPUs (t4-klein), weglasseneval_datasetUndeval_strategyzum Speichern ~40% Speicher. Trainingsverluste und Lernfortschritte werden weiterhin sichtbar sein.

Aufwärtspassage · L130 ↗

Verwendung

Das Skript ist schnell und wird in der Regel synchron ausgeführt.

Aufwärtspassage · L533 ↗

Überblick

Trainieren Sie Sprachmodelle mit TRL (Transformer Reinforcement Learning) auf der vollständig verwalteten Hugging Face-Infrastruktur. Es ist keine lokale GPU-Konfiguration erforderlich – die Modelle werden auf Cloud-GPUs trainiert und die Ergebnisse automatisch im Hugging Face Hub gespeichert. TRL bietet verschiedene Trainingsmethoden: SFT (Supervised Fine-Tuning) – Optimierung von Standardbefehlen; DPO (Direct Preference Optimization) – Ausrichtung anhand von Präferenzdaten.

Aufwärtspassage · L9 ↗

Aufwärtspassage · python ↗

hf_doc_search("your query", product="trl")
hf_doc_fetch("https://huggingface.co/docs/trl/sft_trainer")  # SFT
hf_doc_fetch("https://huggingface.co/docs/trl/dpo_trainer")  # DPO
# etc.

Anforderungen und Einrichtung

Checkliste der Voraussetzungen

Bevor Sie mit einer Schulungstätigkeit beginnen, überprüfen Sie Folgendes:

Aufwärtspassage · L69 ↗

✅ Anforderungen an den Datensatz

Der Datensatz muss auf dem Hub vorhanden oder über diesen geladen werden können.datasets.load_dataset()Das Format muss der Trainingsmethode entsprechen (SFT: "messages"/text/prompt-completionDatenschutzbeauftragter:chosen/rejected; GRPO: Nur Eingabeaufforderung)

Aufwärtspassage · L81 ↗

Grenzwerte und Qualitätskontrollen

Aus dieser Datei wurde kein separater Grenzwertabschnitt ausgewählt. Dies bedeutet nicht, dass die Anwendung für jede Eingabe oder Umgebung geeignet ist. Überprüfen Sie den vollständigen Quellcode und validieren Sie Ihr Ergebnis selbst.

Beginnen Sie mit einem sicheren Testlauf

Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.

Spezifikation des Kompetenzformats und des Verzeichnisses ↗

Lesen Sie mehr dazu in der Quelle.

Übersetzung und Umfang

Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.

Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.

Angeheftete Quelle: Lesen Sie das Original ↗
Quelle abgerufen: 2026-10-29T09:32:23Z
Source-Commit: fabc634a893f62ad5c2039830397efa35fa62715
Quelle SHA-256: fb5c5e25103e38226e4d8ae28db84a01de42a11da4be1918fa72f833699f9d0d

Zurück zum vollständigen Kompetenzkatalog