현지화된 읽기 가이드
huggingface-llm-trainer목적, 사용법 및 출처
TRL(Transformer Reinforcement Learning) 또는 Unsloth를 Hugging Face Jobs 인프라와 함께 사용하여 언어 및 비전 모델을 학습하거나 미세 조정하세요. SFT, DPO, GRPO 및 보상 모델링 학습 방법과 로컬 배포를 위한 GGUF 변환을 다룹니다. TRL Jobs 패키지 및 PEP를 사용한 UV 스크립트에 대한 안내도 포함되어 있습니다.723포맷, 데이터셋 준비 및 검증, 하드웨어 선택, 비용 추정, Trackio 모니터링, 허브 인증, 모델selection/leaderboards모델 지속성도 포함됩니다. 클라우드 GPU 학습, GGUF 변환 또는 사용자가 로컬 GPU 설정 없이 Hugging Face Job 학습을 요청할 때 사용합니다.
출처 검색됨:
- 소스 저장소
- huggingface/skills
- SKILL.md
skills/huggingface-llm-trainer/SKILL.md- 저장소 Star
- 11,241
- 저장소 최근 업데이트
- 2026-10-30
- 능력 분류
- 데이터
- 최근 수집 시간
라이선스: Apache-2.0
워크플로 발췌본은 이해를 돕기 위한 자료이며, Codez에서 제공하는 실행 가능한 명령어가 아닙니다. 이 페이지를 생성하는 데 타사 Skill은 사용되지 않았습니다.
아래의 목적 및 워크플로 관련 내용은 읽기 쉽도록 정리 및 번역된 상위 자료입니다. 이는 별도로 분류된 Codez 편집 분석과는 별개입니다.
이 스킬의 기능
TRL(Transformer Reinforcement Learning) 또는 Unsloth를 Hugging Face Jobs 인프라와 함께 사용하여 언어 및 비전 모델을 학습하거나 미세 조정하세요. SFT, DPO, GRPO 및 보상 모델링 학습 방법과 로컬 배포를 위한 GGUF 변환을 다룹니다. TRL Jobs 패키지 및 PEP를 사용한 UV 스크립트에 대한 안내도 포함되어 있습니다.723포맷, 데이터셋 준비 및 검증, 하드웨어 선택, 비용 추정, Trackio 모니터링, 허브 인증, 모델selection/leaderboards모델 지속성도 포함됩니다. 클라우드 GPU 학습, GGUF 변환 또는 사용자가 로컬 GPU 설정 없이 Hugging Face Job 학습을 요청할 때 사용합니다.
업스트림 워크플로우 작동 방식
빠른 시작: 세 가지 접근법
💡 데모 팁: 저사양 GPU에서 빠른 데모를 진행하려면 (t)4-작은), 생략eval_dataset그리고eval_strategy저장하기 위해 ~40메모리 사용량은 %입니다. 학습 손실과 학습 진행 상황은 계속 표시됩니다.
개요
완전 관리형 Hugging Face 인프라에서 TRL(Transformer Reinforcement Learning)을 사용하여 언어 모델을 학습하세요. 로컬 GPU 설정이 필요 없으며, 클라우드 GPU에서 모델이 학습되고 결과는 Hugging Face Hub에 자동으로 저장됩니다. TRL은 다음과 같은 다양한 학습 방법을 제공합니다: SFT(Supervised Fine-Tuning) - 표준 명령어 튜닝, DPO(Direct Preference Optimization) - 선호도 데이터를 이용한 정렬
상류 통로 · L9 ↗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.요구 사항 및 설정
✅ 데이터셋 요구사항
데이터 세트는 허브에 존재하거나 로드 가능해야 합니다.datasets.load_dataset()형식은 학습 방법과 일치해야 합니다(SFT: "메시지"/text/prompt-completion; DPO:chosen/rejected; GRPO: 프롬프트 전용)
제한 사항 및 품질 검사
이 파일에서 별도의 제한 조건 구문이 선택되지 않았습니다. 이는 해당 스킬이 모든 입력 또는 환경에서 안전하다는 것을 의미하지 않습니다. 전체 소스 코드를 검토하고 결과를 직접 확인하십시오.
안전한 시험 사용부터 시작하세요
- 지원되는 호스트와 저장소 설치 지침을 확인하세요. 스킬 디렉토리와 해당 디렉토리에서 참조하는 스크립트, 자산 및 문서를 함께 보관하세요.SKILL.md단독으로는 종속성을 생략할 수 있습니다.
- 에이전트에 실제 입력값, 원하는 출력값 및 승인 기준을 제공하십시오. 호출 구문 및 사용 가능한 도구는 호스트에 따라 다르므로 이 사이트는 범용 설치 명령을 제공하지 않습니다.
- 원본 워크플로를 임시 프로젝트 또는 복사본에서 테스트해 보세요. 파일, 원격 서비스 또는 유료 리소스를 변경하는 작업은 허용하기 전에 검토하십시오.
- 출력 결과를 원본 품질 검사 및 자체 요구 사항에 맞춰 검증하십시오. 트리거가 성공적으로 작동했거나 저장소의 별점 수가 높다고 해서 반드시 올바른 결과가 나오는 것은 아닙니다.
원문에서 더 자세한 내용을 읽어보세요.
- 개요
- 이 스킬은 언제 사용해야 할까요?
- 언슬로스(Unsloth)는 언제 사용해야 할까요?
- 주요 지침
- 로컬 스크립트 실행
- 필수 조건 체크리스트
- ✅ 계정 및 인증
- ✅ 데이터셋 요구사항
- ⚠️ 중요 설정
- 비동기 작업 지침
- 조치 필요
- 기본 규칙
- 제출 후
- 빠른 시작: 세 가지 접근법
- 시퀀스 길이 구성
- 접근하다1UV 스크립트(권장 - 기본 선택)
- 스크립트 작업
- 접근하다2TRL에서 관리하는 스크립트(공식 예제)
- Hub에서 더 많은 UV 스크립트 찾기
- 접근하다3: HF Jobs CLI (직접 터미널 명령)
- 접근하다4TRL 채용 패키지(간소화된 교육)
- 하드웨어 선택
- 중요: 결과를 허브에 저장
- 필수 구성
- 검증 체크리스트
- 타임아웃 관리
- 타임아웃 지침
- 기본 모델을 선택하세요 (모델 선택)
- 비용 추정
- 예시 교육 스크립트
관련 기술
번역 및 범위
이 독서 안내서는 고정된 상류 지역에서 발췌한 구절들을 소개합니다.SKILL.md본 번역은 보조 번역이며, 완전한 설명서 또는 호환성 테스트를 보장하는 것은 아닙니다. 사용 전에 원본 및 참조 파일을 반드시 읽어 주십시오.
이 소개글은 아래 고정된 버전을 참조하며, 현재 저장소 활동 및 수집 시간은 별도로 표시됩니다.
- 고정된 소스
- 원문을 읽어보세요 ↗
- 출처 검색됨
- 소스 커밋
fabc634a893f62ad5c2039830397efa35fa62715- 출처 SHA-256
fb5c5e25103e38226e4d8ae28db84a01de42a11da4be1918fa72f833699f9d0d