系列文章
[Day 1] 為什麼我們需要一個 fine-tune 平台？
生成式 AI 正在快速滲透各行各業，從客服自動化到內容生成，都能看到 LLM（大型語言模型）的應用。然而，當企業需要讓模型更貼近特定場景時，僅依賴 API 調用...
[Day 2] 平台架構全覽：從資料收集到模型部署的全流程
在 Day 1，我們談到微調平台的必要性與挑戰。今天，我們退一步，從高層視角來看，一個「可用的微調平台」應該包含哪些模組，並用架構圖與總覽表快速帶過全流程。...
[Day 3] 探索 LoRA 和 PEFT 的高效微調
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-3 在上一篇，我們從高層視角看過微調平台的完整架構。今天則聚...
[Day 4] 訓練資料管理：版本、偏差與錯誤影響
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-4 在做實驗時，常常會遇到這樣的情況：模型表現和上次不同，但...
[Day 5] 訓練參數與 Config 設計：建立統一的配置系統
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-5 從今天開始，為了呼應這個系列的主題——AI 協作實戰筆記，...
[Day 6] 日誌與結果管理：讓每次實驗有自己的家
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-6 在前幾天，我們已經能順利完成訓練、管理資料、集中配置。但...
[Day 7] 任務排程基礎：Celery + Redis 的非同步訓練
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-7 在前幾天，我們的訓練流程仍然是直接跑 python tr...
[Day 8] 最小化 UI：Streamlit 任務提交與追蹤
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-8 在 Day 7，我們用 Celery + Redis 解...
[Day 9] 最小實驗追蹤系統：把結果放進 DB，查詢與比較
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-9 在 Day 6，我們已經能把實驗結果（logs、metr...
[Day 10] 系統互動解析：從提交任務到完成結果
完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-10 到目前為止，我們已經建立了： Day 5：統一配置...