公开观点

Hassan El Mghari

1 份资料 · 3 条观点 · 3 个话题

内容更新于:

Hassan El Mghari 关于微调成本效益、模型部署平台、训练时长的观点。 按话题阅读 3 条观点,核对 1 个来源中的证据。

探索知识关联

按话题查看观点

按来源发布日期整理的个人观点,仅反映这些材料中的表达,不代表其全部立场。

译文仅辅助阅读;核查观点请以原始摘录为准。

微调成本效益

查看话题
微调成本效益

微调成本:38,340个样本需17美元

仅使用38,340个样本即可将微调成本控制在较低水平——约17.0美元;而更大规模的数据集则会同时推高成本与训练耗时。

支持这项说法

如何仅花费17美元训练你自己的Jev模型

我们仅使用38,340个样本,以控制微调成本。针对该规模数据集进行训练的成本约为17.0美元;而更大规模的数据集训练成本更高,且耗时更长。

原始摘录
We only use 38,340 examples to keep our fine-tuning costs low. Training against a dataset of this size will only cost about $17.0, while larger datasets are more expensive and time-consuming to train against.

训练时长

查看话题
训练时长

训练时长:约25分钟

微调任务大约需要25分钟完成。

支持这项说法

如何仅花费17美元训练你自己的Jev模型

训练任务约需25分钟完成;完成后即可获得一个可用于分类任务的模型。

原始摘录
The training job will take roughly 25 minutes to complete, and once it does we’ll have a model that is ready to do classification.

模型部署平台

查看话题
模型部署平台

已部署至 Together 无服务器平台

类 Jev 分类器已在 Together 的无服务器平台上发布,使用 Qwen3.5 4B 作为基础模型。

支持这项说法

如何仅花费17美元训练你自己的Jev模型

我们刚刚在 Together 公司的无服务器平台上,基于 Qwen3.5 4B 模型,推出了自研的类 Jev 分类器(Tev1-4B-experimental)。本文将向您演示如何微调属于您自己的版本!

原始摘录
We just launched our own Jev-like classifier, together/Tev1-4B-experimental , on top of Qwen3.5 4B on Together’s serverless platform. In this blog post we’ll show you how to fine-tune your own version!

按来源日期阅读1

按原始来源的发布日期排序;措辞不同不代表立场发生变化。