LLM Techniques

フルスクラッチに比べ、少量のデータでもモデルを新しい言語やタスクに効果的に適応させることができる継続事前學習を実行する方法を、NeMo Framework を使用して解説します。

LLM の精度向上におけるデータ品質は重要であり、さまざまなデータ処理手法があります。NeMo Curator を利用して今すぐ課題に対処してみましょう。

NeMo Framework を使用して、日本語の大規模言語モデル (LLM) で、人間の嗜好や価値観に沿うようにモデルを調整するアライメント手法の一つである、DPO (Direct Preference Optimization) を実行する方法を説明します。

複數のカスタマイズされた LLM の重みを組み合わせることで、リソースの利用率を高めるモデル マージの、機能方法、種類、およびモデル マージがどのように繰り返され、進化しているのかについてご紹介します。

NeMo Framework を使用して、日本語の大規模言語モデル (LLM) の SFT (Supervised Fine-Tuning: ファインチューニングの手法の一種) を実行する方法をご紹介します。

本記事では、Hugging Face Model Hub から日本語 LLM をダウンロードして、Nemo Framework Inference コンテナーを使用して GPU 推論する方法について具體的な手順を解説します。

LLM 推論における最も差し迫った課題と、いくつかの実用的な解決策について説明します。

この投稿では、生成 AI アプリ開発の概要を説明し、GenAIOps と LLMOps の概念を定義し、それらを MLOps と比較します。