Together AI Blog ·
哈桑·埃尔·姆加里（Hassan El Mghari）介绍了基于Qwen3.5-4B模型微调一个类似Jev的分类器，并将其部署至Together公司无服务器平台的操作指南。该指南提供了示例数据集规模、预估训练成本及大致训练耗时。 阅读 3 条观点，查看支持证据与原始来源。
连线表示阅读层级。点选判断即可查看解释与依据。
综合解读
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。
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。
Hassan El Mghari · 段落 24
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.
继续探索
微调成本效益 →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。
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！
Hassan El Mghari · 段落 3
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!
继续探索
模型部署平台 →带明确归属与语境的原文片段。打开原始文本核查出处。
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。
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.
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。
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.
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！
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!
这些观点均关联原始来源。转述已明确标注，不作为逐字原话展示。
打开转录或来源材料 （在新标签页中打开）报告问题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。