Lokalisierter Leseleitfaden
finetuningZweck, Verwendung und Quelle
Feinabstimmung von Modellen auf Microsoft Foundry mit SFT (überwachtes Lernen), DPO (Präferenztraining) oder RFT (verstärkendes Lernen mit Gradern). Umfasst die Vorbereitung von Datensätzen, die Übermittlung von Trainingsaufträgen, die Bereitstellung und die Evaluierung. ANWENDUNG FÜR: Feinabstimmung, SFT, DPO, RFT, Trainingsdaten, Grader, Destillation, feinabgestimmtes Modell, Trainingsauftrag, Upload großer Dateien, Kalibrierung des Graders, Bereitstellung des feinabgestimmten Modells, Evaluierung des feinabgestimmten Modells. NICHT ANWENDUNG FÜR: Allgemeine Modellbereitstellung ohne Feinabstimmung (verwenden Sie deploy-model), Agentenerstellung (verwenden Sie agents), Optimierung ohne Training (verwenden Sie prompt-optimizer).
Quelle abgerufen:
- Quell-Repository
- microsoft/skills
- SKILL.md
.github/plugins/azure-skills/skills/microsoft-foundry/finetuning/SKILL.md- Repository-Sterne
- 3,157
- Repository zuletzt aktualisiert
- 2026-10-31
- Fähigkeitskategorien
- Cloud-Dienste
- Letzte Datenerfassung
Lizenz: Lizenzdatei: Prüfung ausstehend
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
Feinabstimmung von Modellen auf Microsoft Foundry mit SFT (überwachtes Lernen), DPO (Präferenztraining) oder RFT (verstärkendes Lernen mit Gradern). Umfasst die Vorbereitung von Datensätzen, die Übermittlung von Trainingsaufträgen, die Bereitstellung und die Evaluierung. ANWENDUNG FÜR: Feinabstimmung, SFT, DPO, RFT, Trainingsdaten, Grader, Destillation, feinabgestimmtes Modell, Trainingsauftrag, Upload großer Dateien, Kalibrierung des Graders, Bereitstellung des feinabgestimmten Modells, Evaluierung des feinabgestimmten Modells. NICHT ANWENDUNG FÜR: Allgemeine Modellbereitstellung ohne Feinabstimmung (verwenden Sie deploy-model), Agentenerstellung (verwenden Sie agents), Optimierung ohne Training (verwenden Sie prompt-optimizer).
Wie der vorgelagerte Workflow funktioniert
Wann verwenden?
Nutzen Sie diese Teilkompetenz, wenn der Benutzer Fragen zu Folgendem hat: Feinabstimmung eines Modells (SFT, DPO oder RFT), Vorbereitung, Validierung oder Formatierung von Trainingsdaten, Übermittlung, Überwachung oder Diagnose von Trainingsaufträgen
Aufwärtspassage · L14 ↗Feinabstimmung auf Microsoft Foundry
Feinabstimmung von Modellen mittels SFT (überwachtes Lernen), DPO (Präferenzlernen) oder RFT (verstärkendes Lernen mit Beurteilern). Umfasst die Vorbereitung von Datensätzen, das Training, die Implementierung und die Evaluierung.
Aufwärtspassage · L10 ↗Regeln
Immer zuerst eine Basislinie erstellen – das Basismodell vor der Feinabstimmung evaluieren. Daten vor dem Einreichen validieren – ausführen.scripts/validate/validate_sft.py
Anforderungen und Einrichtung
Aus dieser Datei wurde kein Abschnitt mit kurzen Anforderungen ausgewählt. Dies bedeutet nicht, dass die Fertigkeit keine Abhängigkeiten hat. Überprüfen Sie die Anweisungen zur Repository-Einrichtung und die referenzierten Dateien.
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.
Lesen Sie mehr dazu in der Quelle.
Verwandte Fähigkeiten
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
- Source-Commit
00d66a64919edca5bca2c673373444e36a4b5461- Quelle SHA-256
7a17789cb61e026a52071564b00624f2880e7b35c89fec9aa06c0dfcc8fe1e31