میزکار گراف گرهمحور
مدل، دیتاست، LoRA، پارامترها، خروجی — هر مرحله یک بلوک قابل جابهجایی روی یک بوم است. از پورت یک بلوک بکشید و به بلوک بعدی وصل کنید تا کل خط تولید همیشه جلوی چشم بماند.
ارائهی TheTensor · TheTensorTune نسخه ۱.۰
یک مدل زبانی را فاینتیون کنید؛ از اول تا آخر، در یک فایل
TheTensorTune یک میزکار است که روی سیستم خودتان اجرا میشود. دیتاستتان را بیاورید، مدلی انتخاب کنید و یک آداپتور LoRA آموزش بدهید. بعد با نتیجه حرف بزنید، کنار مدل اصلی بگذاریدش، و یک فایل GGUF بردارید که مستقیم در Ollama و llama.cpp بالا میآید. بدون حساب کاربری، بدون ویزارد نصب، و هیچ چیزی از سیستم شما بیرون نمیرود.
رایگان با مجوز Apache-2.0 · ویندوز، مک و لینوکس · پایتون ۳.۱۰ به بالا
این اعداد از یک اجرای واقعی برنامه برداشته شده
- کل برنامه در یک فایل پایتون
- 915 KB
- loss آموزش در ۳ epoch
- 4.0 → 1.4
- perplexity مدل پایه و تنظیمشده
- 55.6 → 8.9
- خروجی GGUF با q8_0، اجرا در Ollama
- 145 MB
- درس داخل خود برنامه
- ۱۲
۰۱ · این چیست
یک میزکار، نه یک سرویس ابری
TheTensorTune یک فایل پایتون است. اجرایش میکنید و یک میزکار در مرورگرتان باز میشود: بومی که هر مرحله از فاینتیون روی آن یک بلوک قابل جابهجایی است که با کشیدن و رها کردن به هم وصل میشوند. نه ثبتنامی در کار است، نه داشبوردی برای شخصیسازی. برنامه و دادههایتان همانجا که هستید میمانند، همین.
مسیر کار همان مسیر همیشگی فاینتیون است، فقط بدون رفتوآمد با ترمینال. دیتاست را میآورید و برنامه قبل از آموزش بررسیاش میکند. مدلی و چند تنظیم انتخاب میکنید؛ پیشفرضها برای اولین اجرا از قبل درست چیده شدهاند. آموزش جلوی چشم شما اتفاق میافتد؛ با نمودار loss زنده به جای کلی لاگ متنی، و در طول مسیر هم checkpoint ذخیره میشود.
وقتی یک اجرا تمام میشود، دقیقاً همانجایی میرسید که بیشتر ابزارها ولتان میکنند: با مدلی که ساختهاید حرف میزنید، کنار مدل پایه میگذاریدش و تفاوت را هم در اعداد میبینید هم در کلمات، بعدش یک فایل خروجی میگیرید که مستقیم در ابزارهایی که همه استفاده میکنند کار میکند. رابط برنامه انگلیسی و فارسی است و یک دوره تصویری دوازده درسی هم داخل خود برنامه هست.
“اگر یک قدم میتواند به جای یک دستور در ترمینال، یک بلوک روی بوم باشد، باید باشد.”
— از یادداشتهای ساخت TheTensorTune
۰۲ · چه کاری انجام میدهد
هرچه چرخه لازم دارد، روی یک بوم
ده کاری که TheTensorTune بین «یه مقدار داده دارم» و «مدلم تو Ollama اجرا میشه» برایتان انجام میدهد.
آموزش واقعی LoRA / QLoRA
آموزش PEFT واقعی با checkpoint، ادامه از همانجا و توقف زودهنگام — نه نسخه نمایشی. از presetها شروع کنید یا آیدی هر مدلی از Hugging Face را بنویسید.
گزارش کیفیت دیتاست
با یک کلیک، تعداد نمونهها، ترکیب فرمتها، موارد تکراری، زبانهای تشخیصدادهشده و هیستوگرام طول را میبینید تا دادهی بد همان اول معلوم شود، قبل از اینکه یک اجرا را رویش هدر بدهید.
برآورد هزینه و زمان
قبل از شروع، تخمینگر با توجه به دیتاست و تنظیمات واقعی شما حساب میکند که اجرا میگنجد، چقدر طول میکشد و چه هزینهای دارد.
صف و checkpoint
چند اجرا را در صف بچینید، پیشرفت قدمبهقدم با loss زنده را ببینید، تمیز لغو کنید و اجرای متوقفشده را از checkpoint ادامه بدهید. بین اجراها حافظه آزاد میشود.
چت آزمایشی
با مدل تنظیمشدهتان در یک گفتگوی چندنوبتی حرف بزنید؛ در حالتهای Adapter، Merged یا Base تا حس کنید آموزش واقعاً چه چیزی را عوض کرده.
مقایسه قبل و بعد
perplexity و eval loss مدل پایه و تنظیمشده کنار هم، با یک پرامپت مشترک که هر دو به آن جواب میدهند. تفاوت هم در اعداد دیده میشود هم در خود جوابها.
خروجی GGUF
ادغام و کوانتیزهسازی به f16، q8_0 یا K-quantها. فایل خروجی توکنایزر و متادیتای خودش را نگه میدارد پس پاسخها همان چیزی است که در برنامه تست کردهاید.
REST API و وبهوک امضاشده
هر چیزی که در رابط کاربری هست، یک مسیر API هم دارد. اجراهای غیرهمزمان بعد از پایان میتوانند وبهوک را صدا بزنند؛ امضاشده با HMAC-SHA256 تا فرستنده را مطمئن شوید.
بخش آموزش داخل برنامه
یک دوره تصویری دوازده درسی هم همانجا، داخل خود برنامه، جا خوش کرده؛ از اولین آپلود دیتاست تا اتوماسیون با API، به انگلیسی و فارسی.
۰۳ · چطور ازش استفاده کنید
شش قدم از متن خام تا مدل در حال اجرا
کل مسیر همین است. هر قدم درس متناظری در بخش آموزش دارد، همراه با اسکرینشاتهای مربوطه.
- 01
دیتاست را بیاورید
متن را بچسبانید یا فایل آپلود کنید: گفتگوها، جفتهای پرامپت/پاسخ، یا خطوط ساده. «بررسی کیفیت» دقیقاً نشان میدهد قرار است روی چه چیزی آموزش ببینید.
- 02
مدل را انتخاب کنید
از presetها شروع کنید، داخل برنامه در Hugging Face جستوجو کنید، یا مستقیم org/name را بنویسید. مدلهای gated توکن شما را میخواهند که فقط در حافظه میماند.
- 03
آموزش را تنظیم کنید
rank، alpha، نرخ یادگیری، epochها — هر تنظیم یک فیلد در یک بلوک است، با پیشفرضهایی که برای اولین اجرا کار میکنند. وقتی دلیل داشتید عوضشان کنید.
- 04
آموزش و دیدن
دکمه Start را بزنید و نمودار loss همان لحظه رسم میشود. اجراهای بعدی را در صف بگذارید، لغو کنید، یا از checkpoint ادامه بدهید.
- 05
چت و مقایسه
با مدلی که تازه آموزش دید حرف بزنید، بعد کنار مدل پایه بگذاریدش: یک پرامپت، دو جواب، perplexity کنار هم.
- 06
خروجی و اجرا
با یک کلیک، ادغام و کوانتیزه میشود و یک فایل GGUF میگیرید. در Ollama، llama.cpp یا LM Studio بیندازیدش و اجرا میشود.
۰۴ · اسکرینشاتها
برنامه، همانطور که واقعاً هست
هر تصویر زیر از یک اجرای واقعی TheTensorTune 1.0 گرفته شده — از آپلود و آموزش تا چت، مقایسه و خروجی.
۰۵ · سوالات رایج
سوالاتی که واقعاً پرسیده میشود
جوابهای کوتاه، بدون طفره. نسخههای بلندتر در بخش وبلاگ هستند.
TheTensor · TheTensorTune v1.0
فایل را بگیرید و یک اجرا امتحان کنید
داخل زیپ یک فایل پایتون و مستنداتش است. کتابخانهها را نصب کنید، فایل را اجرا کنید و میزکار در مرورگرتان باز میشود. با درس ۳ چند دقیقه بعد از شروع، اولین آموزشتان را میگیرید.
رایگان با مجوز Apache-2.0 · ویندوز، مک و لینوکس · پایتون ۳.۱۰ به بالا