مقارنة بين أطر الضبط الدقيق للذكاء الاصطناعي: Unsloth وAxolotl وTRL وLLaMA-Factory — السرعة واستهلاك ذاكرة الفيديو ودعم وحدات معالجة رسومية متعددة
Meta
Unsloth
Hugging Face
LLaMA-Factory (hiyouga)
قارن المؤلفون بين أربعة أطر عمل شائعة للضبط الدقيق لنماذج اللغة الكبيرة: Unsloth وAxolotl وTRL وLLaMA-Factory. كان التركيز على سرعة التدريب واستهلاك ذاكرة الفيديو (VRAM) ودعم وحدات معالجة رسومية متعددة. ستساعد النتائج المطورين في اختيار الأداة المثلى لمهامهم.
تقدم المقالة مقارنة بين أربعة أطر عمل لضبط دقيق لنماذج اللغة الكبيرة: Unsloth و Axolotl و TRL (من Hugging Face) و LLaMA-Factory. اختبر الباحثون هذه الأطر في مهام الضبط الدقيق، حيث قاموا بقياس سرعة التدريب وحجم الذاكرة الظاهرية (VRAM) المستخدمة على معالج رسومي (GPU) واحد، بالإضافة إلى الأداء عند توزيع التدريب على عدة معالجات رسومية. أظهر كل إطار نقاط قوته وضعفه: فـ Unsloth محسّن على الأرجح للسرعة، ويشتهر Axolotl بالمرونة، ويتكامل TRL بشكل وثيق مع نظام Hugging Face البيئي، بينما يقدم LLaMA-Factory واجهة سهلة الاستخدام. يعتمد اختيار الأداة المناسبة على متطلبات المشروع المحددة، مثل الموارد المتاحة والحاجة إلى العمل مع عدة معالجات رسومية.
المصدر: Meta AI (GNews) —
الأصلي