Холст с графом блоков
Модель, датасет, LoRA, параметры, вывод — каждый этап это перетаскиваемый блок на одном холсте. Потяните от порта к порту, чтобы соединить блоки, и весь пайплайн остаётся на виду.
TheTensor представляет · TheTensorTune v1.0
Дообучите языковую модель — от начала до конца, в одном файле
TheTensorTune — это рабочая среда, которая живёт на вашем компьютере. Принесите датасет, выберите модель, обучите LoRA-адаптер, поговорите с результатом, сравните его с оригиналом и экспортируйте GGUF-файл, который работает в Ollama и llama.cpp. Без аккаунтов, без мастеров установки — ничего не покидает ваш компьютер.
Бесплатно под Apache-2.0 · Windows, macOS и Linux · Python 3.10+
Числа из реального запуска · v1.0
- всё приложение, один .py-файл
- 915 KB
- loss обучения, 3 эпохи
- 4.0 → 1.4
- perplexity: база → дообученная
- 55.6 → 8.9
- GGUF q8_0, работает в Ollama
- 145 MB
- уроков внутри приложения
- 12
01 · Что это
Рабочая среда, а не облачный сервис
TheTensorTune — это один Python-файл. Запускаете — и в браузере открывается рабочая среда: холст, где каждый этап дообучения представляет собой блок, который можно перетаскивать и соединять проводами. Регистрироваться не нужно, настраивать дашборд не нужно. Приложение и ваши данные остаются на вашей машине.
Порядок работы — стандартный, только не надо сидеть в терминале. Вы приносите данные, а приложение проверяет их до обучения. Выбираете модель и несколько настроек — значения по умолчанию уже разумны для первого запуска. Обучение идёт у вас на глазах: живой график loss вместо кучи текстовых логов, по пути сохраняются чекпоинты.
Когда запуск завершается, можно сделать то, что большинство инструментов опускает: поговорить с моделью, которую только что сделали, поставить её рядом с базовой и увидеть разницу в цифрах и в словах, а затем экспортировать одним файлом, который работает в инструментах, которыми люди уже пользуются. Интерфейс — английский и персидский, а визуальный курс из двенадцати уроков встроен прямо в приложение.
“Если шаг может быть блоком на холсте, а не командой в терминале, — он должен быть блоком.”
— девелоперский дневник TheTensor, запись №1
02 · Что умеет
Всё, что нужно циклу, на одном холсте
Десять вещей, которые TheTensorTune делает между «у меня есть немного данных» и «моя модель работает в Ollama».
Настоящее LoRA / QLoRA-обучение
Настоящий PEFT с чекпоинтами, возобновлением и ранней остановкой — не макет. Начните с пресета или введите id любой модели с Hugging Face.
Отчёты о качестве датасета
Один клик — и вы видите число примеров, mix форматов, дубликаты, определённые языки и гистограмму длин, так что плохие данные ловятся, пока исправлять их дёшево.
Оценка времени и стоимости
До старта оценщик считает, поместится ли запуск, сколько времени займёт и сколько будет стоить — исходя из вашего реального датасета и настроек.
Очередь и чекпоинты
Складывайте запуски в очередь, следите за прогрессом по шагам с живым loss, аккуратно отменяйте и возобновляйте остановленный запуск с чекпоинта. Между задачами память освобождается.
Тестовый чат
Поговорите с дообученной моделью в многоходовом чате — в режимах Adapter, Merged или Base, чтобы почувствовать, что именно изменило обучение.
Сравнение до/после
Перплексия и eval loss базовой и дообученной модели бок о бок, один и тот же промпт отвечают обе. Разница видна и в цифрах, и в словах.
Экспорт GGUF
Слияние и квантование в f16, q8_0 или K-кванты. Файл сохраняет токенизатор и метаданные — ответы совпадают с теми, что вы проверили в приложении.
REST API + подписанные вебхуки
У всего, что есть в интерфейсе, есть API-маршрут. Асинхронные задачи по завершении могут вызвать вебхук, подписанный HMAC-SHA256, чтобы вы могли проверить отправителя.
Раздел Learn внутри
Визуальный курс из двенадцати уроков живёт в самом приложении: от первой загрузки датасета до автоматизации через API, на английском и персидском.
03 · Как этим пользоваться
Шесть шагов от сырого текста до работающей модели
Это весь путь. У каждого шага есть парный урок в разделе Learn — со скриншотами.
- 01
Принесите датасет
Вставьте текст или загрузите файл: диалоги, пары промпт/ответ или просто строки. «Проверить качество» покажет, на чём именно вы сейчас будете учить модель.
- 02
Выберите модель
Начните с пресета, поищите по Hugging Face Hub прямо из приложения или введите org/name напрямую. Закрытые модели попросят ваш токен — он останется только в памяти.
- 03
Настройте обучение
Rank, alpha, learning rate, эпохи — каждая настройка это поле в блоке, со значениями по умолчанию, которые работают для первого запуска. Меняйте, когда появится причина.
- 04
Обучайте и наблюдайте
Нажмите Start — и график loss рисуется в реальном времени. Ставьте ещё запуски в очередь, отменяйте или продолжайте с чекпоинта.
- 05
Чат и сравнение
Поговорите с моделью, которую только что обучили, потом поставьте её рядом с базовой: один промпт, два ответа, перплексия бок о бок.
- 06
Экспорт и запуск
Один клик — слияние и квантование в GGUF-файл. Закиньте его в Ollama, llama.cpp или LM Studio — и он работает.
04 · Скриншоты
Приложение таким, какое оно есть
Каждая картинка ниже — настоящий скриншот из реального запуска TheTensorTune 1.0: загрузка, обучение, чат, сравнение и экспорт — всё включено.
05 · FAQ
Вопросы, которые действительно задают
Короткие ответы без увиливаний. Длинные версии — в блоге.
TheTensor · TheTensorTune v1.0
Возьмите файл и попробуйте один запуск
В архиве — один Python-файл и его документация. Установите библиотеки, запустите файл, и среда откроется в браузере. С третьим уроком вы дойдёте до первого обучения за несколько минут.
Бесплатно под Apache-2.0 · Windows, macOS и Linux · Python 3.10+