حالة استخدام

اضبط نموذج LLM بدقة باستخدام LoRA على GPU سحابية

اضبط Llama أو Qwen أو Mistral بدقة باستخدام LoRA أو QLoRA على A100 أو RTX 5090، وادفع مقابل وقت التدريب فقط.

عرض أجهزة A100 SXM4 جارٍ التحقق من الأسعار المباشرة…

تُحتسب الرسوم بالثانية من رصيدك بالـ USD. أوقف الجهاز أو أنهِه عند الانتهاء.

GPU الموصى بها

A100 SXM4 · RTX 5090

يتسع QLoRA على نموذج 7B–14B في 24–32 GB. أما LoRA الكامل على النماذج الأكبر فيحتاج إلى A100 80 GB.

PyTorch

بيئة تطوير NVIDIA CUDA مع PyTorch، جاهزة مع SSH وJupyter.

1
استأجر الجهاز
افتح الكتالوج مع تحديد A100 وقالب PyTorch مسبقًا واضغط «استئجار».
عرض أجهزة A100 SXM4
2
اتصل وارفع بياناتك
اتصل بأمر SSH من صفحة جهازك وانسخ مجموعة بياناتك باستخدام scp.
```
$ scp -P <PORT> dataset.jsonl root@<HOST>:/root/
```
3
ثبّت المكتبات
ثبّت حزمة التدريب من Hugging Face، ثم شغّل سكربت التدريب الخاص بك.
```
$ pip install -U transformers peft trl datasets accelerate bitsandbytes
python train.py
```
4
نزّل المحوّل
انسخ المحوّل (adapter) المدرَّب إلى حاسوبك، ثم أنهِ الجهاز.
```
$ scp -P <PORT> -r root@<HOST>:/root/output ./adapter
```

كم يستغرق الضبط الدقيق؟

عادةً ما يستغرق تشغيل QLoRA على نموذج 7B مع بضعة آلاف من الأمثلة أقل من ساعة على A100.

ماذا لو انخفض رصيدي أثناء التدريب؟

ستتلقى تحذيرًا أولًا. وإذا نفد الرصيد يُوقَف الجهاز ويُحتفظ بالقرص، لذا احفظ نقاط التحقق (checkpoints) باستمرار.