C✳CODEZ.WIN
🌐 Español

Guía de lectura localizada

huggingface-llm-trainerFinalidad, uso y origen

Entrene o ajuste modelos de lenguaje y visión utilizando TRL (Transformer Reinforcement Learning) o Unsloth con la infraestructura de Hugging Face Jobs. Cubre los métodos de entrenamiento de modelado de recompensas SFT, DPO, GRPO y SFT, además de la conversión a GGUF para la implementación local. Incluye orientación sobre el paquete TRL Jobs y scripts UV con PEP.723formato, preparación y validación del conjunto de datos, selección de hardware, estimación de costos, monitoreo de Trackio, autenticación del Hub, modeloselection/leaderboardsy persistencia del modelo. Úselo para tareas que involucren entrenamiento con GPU en la nube, conversión a GGUF o cuando los usuarios mencionen entrenamiento en trabajos de Hugging Face sin configuración local de GPU.

Fuente recuperada:

Repositorio de origen
huggingface/skills
SKILL.md
skills/huggingface-llm-trainer/SKILL.md
Estrellas del repositorio
11,241
Actualización del repositorio
2026-10-30
Clasificación de habilidades
Datos
Última recopilación

Licencia: Apache-2.0

SKILL.md original

Los extractos del flujo de trabajo son guías de lectura, no instrucciones ejecutables de Codez. No se utilizó ninguna habilidad de terceros para generar esta página.

Los siguientes fragmentos sobre el propósito y el flujo de trabajo son material preliminar, organizado y traducido para su lectura. Son distintos del análisis editorial de Codez, que se presenta por separado.

Lo que hace esta habilidad

Entrene o ajuste modelos de lenguaje y visión utilizando TRL (Transformer Reinforcement Learning) o Unsloth con la infraestructura de Hugging Face Jobs. Cubre los métodos de entrenamiento de modelado de recompensas SFT, DPO, GRPO y SFT, además de la conversión a GGUF para la implementación local. Incluye orientación sobre el paquete TRL Jobs y scripts UV con PEP.723formato, preparación y validación del conjunto de datos, selección de hardware, estimación de costos, monitoreo de Trackio, autenticación del Hub, modeloselection/leaderboardsy persistencia del modelo. Úselo para tareas que involucren entrenamiento con GPU en la nube, conversión a GGUF o cuando los usuarios mencionen entrenamiento en trabajos de Hugging Face sin configuración local de GPU.

Cómo funciona el flujo de trabajo ascendente

Inicio rápido: Tres enfoques

💡 Consejo para demostraciones: Para demostraciones rápidas en GPU más pequeñas (t4-pequeño), omitireval_datasetyeval_strategypara ahorrar ~40% de memoria. Seguirás viendo pérdida de entrenamiento y progreso en el aprendizaje.

Paso río arriba · L130 ↗

Uso

El script es rápido y, por lo general, se completará de forma síncrona.

Paso río arriba · L533 ↗

Descripción general

Entrena modelos de lenguaje usando TRL (Transformer Reinforcement Learning) en la infraestructura totalmente administrada de Hugging Face. No se requiere configuración local de GPU: los modelos se entrenan en GPU en la nube y los resultados se guardan automáticamente en Hugging Face Hub. TRL ofrece múltiples métodos de entrenamiento: SFT (Supervised Fine-Tuning): ajuste de instrucciones estándar; DPO (Direct Preference Optimization): alineación a partir de datos de preferencias.

Paso río arriba · L9 ↗
Paso río arriba · 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.

Requisitos y configuración

Lista de verificación de requisitos previos

Antes de comenzar cualquier trabajo de capacitación, verifique:

Paso río arriba · L69 ↗

✅ Requisitos del conjunto de datos

El conjunto de datos debe existir en Hub o ser cargable a través dedatasets.load_dataset()El formato debe coincidir con el método de entrenamiento (SFT: "mensajes"/text/prompt-completion; DPO:chosen/rejected; GRPO: solo solicitud)

Paso río arriba · L81 ↗

Límites y controles de calidad

No se seleccionó ningún pasaje con límites específicos en este archivo. Esto no significa que la habilidad sea segura para cualquier entrada o entorno. Revise el código fuente completo y valide su propio resultado.

Comience con una prueba segura.

  1. Verifique el host compatible y las instrucciones de instalación del repositorio. Mantenga juntos el directorio Skill y sus scripts, recursos y documentación a los que hace referencia;SKILL.mdsolo puede omitir dependencias.
  2. Proporcione al agente sus datos reales, el resultado deseado y los criterios de aceptación. La sintaxis de invocación y las herramientas disponibles dependen del sistema anfitrión; este sitio no presupone un comando de instalación universal.
  3. Pruebe el flujo de trabajo original en un proyecto desechable o en una copia. Revise las operaciones que modifican archivos, servicios remotos o recursos facturables antes de autorizarlas.
  4. Valide el resultado comparándolo con los controles de calidad de origen y sus propios requisitos. Un activador exitoso o un alto número de estrellas en el repositorio no garantizan un resultado correcto.

Especificación del formato y directorio de habilidades ↗

Lea más en la fuente

Traducción y alcance

Esta guía de lectura selecciona pasajes de la sección fijada en la parte superior.SKILL.mdLa traducción es asistida. No se trata de un manual completo ni garantiza la compatibilidad. Lea el original y los archivos a los que hace referencia antes de usarlo.

Esta introducción hace referencia a la versión fijada a continuación; la actividad actual del repositorio y la hora de recopilación se muestran por separado.

Fuente fijada
Lee el original ↗
Fuente recuperada
Confirmación de origen
fabc634a893f62ad5c2039830397efa35fa62715
Fuente SHA-256
fb5c5e25103e38226e4d8ae28db84a01de42a11da4be1918fa72f833699f9d0d
Volver al catálogo completo de habilidades