解决方案概述
在某中心纽约峰会推出的Nova基础模型定制方案,提供了一套完整的模型训练生命周期管理能力。这些能力以即用型配方形式提供,涵盖预训练、监督微调和对齐等阶段。
技术架构
- 用户选择特定的Nova定制配方,这些配方提供了控制训练参数、模型设置和分布式训练策略的完整配置
-
- 通过API向SageMaker AI控制平面提交请求,传递Nova配方配置
-
- SageMaker使用训练任务启动脚本在托管计算集群上运行配方
-
- 根据所选配方自动配置基础设施、协调分布式训练,完成后自动释放资源
业务用例实现
本文重点展示如何优化Nova Micro模型以增强结构化函数调用能力,适用于特定应用场景的智能工作流。通过DPO技术,模型在F1分数上实现了81%的提升,ROUGE指标提升达42%。
关键技术点
- 直接偏好优化(DPO):通过展示成对响应(人工标注的优选和非优选响应)来调整模型输出
-
- 参数高效微调:支持LoRA等高效微调方案,降低训练成本
-
- 评估框架:提供gen_qa和llm_judge等多种评估方案,量化模型改进效果
实施步骤
数据准备
使用nvidia/When2Call数据集,该数据集包含:
- 用户查询
-
- 工具选项
-
- 基于真实场景标注的偏好数据 数据处理流程包括:
- 加载原始数据集
-
- 转换为Nova Micro要求的格式
-
- 分割训练/测试集
-
- 上传至对象存储服务
DPO训练配置
estimator = PyTorch(
output_path=f"s3://{bucket_name}/{job_name}",
base_job_name=job_name,
role=role,
instance_count=instance_count,
instance_type=instance_type,
training_recipe=recipe,
recipe_overrides=recipe_overrides,
max_run=18000,
sagemaker_session=sess,
image_uri=image_uri
)
模型评估
提供两种评估方案:
- gen_qa任务评估:测量响应准确性、精确度和推理质量
-
- llm_judge任务评估:使用LLM作为评判员比较模型输出 评估结果显示:
- F1分数提升81%
-
- ROUGE-1提升39%
-
- ROUGE-2提升42%
模型部署
通过创建自定义模型API部署到推理服务:
- 指定模型检查点路径
-
- 创建自定义模型
-
- 监控部署状态
-
- 配置按需推理
资源清理
为避免产生额外费用,需要:
- 删除未使用的SageMaker资源
-
- 删除自定义模型部署
-
- 清理对象存储中的临时文件
技术价值
该方案展示了:
- 完全托管的训练体验,简化高级AI定制流程
-
- 显著的性能提升效果
-
- 与原生工具的深度集成能力
-
- 按秒计费的弹性成本模型