kayetanaModelos que falam a sua língua.
Algumas tarefas repetem-se todos os dias. O fine-tuning ensina a um modelo como a sua equipa as resolve, com os seus próprios exemplos de conversa ou textos etiquetados, diretamente no seu servidor.
O que pode treinar.
O seu próprio modelo de chat
Faça fine-tuning do qwen3:4b-instruct com LoRA sobre os seus exemplos de conversa. O resultado é o seu próprio modelo, «ft-name».
O seu próprio classificador
Transforme um dataset etiquetado num classificador, «clf-name», baseado num modelo de embedding.
Fica em casa
Os dados de treino e os modelos finais ficam no seu servidor, não num serviço na cloud.
Como nasce o seu próprio modelo de chat.
Reúna exemplos
Boas conversas do dia a dia, como as respostas da sua equipa de suporte a perguntas frequentes.
Carregue um dataset
Carregue os exemplos como dataset de fine-tuning de chat.
Inicie o treino
O kayetana faz fine-tuning do qwen3:4b-instruct com LoRA.
Use o modelo
O seu novo modelo, «ft-name», fica disponível no Playground e através da API.
As suas categorias, treinadas.
Quando as suas categorias estão definidas, como os temas do seu sistema de tickets, faz sentido um classificador dedicado. Treine-o uma vez com um dataset etiquetado e use-o no Playground e por API como qualquer outro classificador.
- Uma ou várias etiquetas por texto
- Baseado num modelo de embedding
- Confiança por etiqueta no resultado
Modelo de chat ou classificador?
| Fine-tuning de chat | Classificador | |
|---|---|---|
| Resultado | O seu próprio modelo, «ft-name» | Classificador, «clf-name» |
| Baseado em | qwen3:4b-instruct | Modelo de embedding |
| Dados de treino | Exemplos de conversa | Textos etiquetados |
| Utilização típica | Tom, estrutura e conteúdo das respostas | Organizar tickets e e-mails |
Transforme os seus exemplos no seu próprio modelo.
Numa demo, mostramos-lhe como funciona o fine-tuning com os seus dados.
Perguntas frequentes
Que modelo posso ajustar com fine-tuning?
Atualmente o qwen3:4b-instruct, com LoRA. Os classificadores baseiam-se num modelo de embedding.
De que dados preciso?
Para um modelo de chat, exemplos de conversa como dataset de fine-tuning de chat. Para um classificador, textos com uma ou várias etiquetas.
Onde ficam os meus dados de treino?
No seu servidor. Na página de privacidade, define um prazo de conservação para os datasets, após o qual são eliminados automaticamente.
Como uso o modelo final?
Aparece como «ft-name» ou «clf-name» e fica disponível no Playground e através da REST API.