Training & Fine-tuning

Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.

277 skills

# Skill Source Description Maj
1 nemo-mbridge-perf-expert-parallel-overlap nvidia/skills Masquer la latence de communication all-to-all dans les modèles MoE via le chevauchement calcul/dispatch. 2 858 20h
2 nemo-mbridge-perf-moe-comm-overlap nvidia/skills Activer le chevauchement des communications MoE pour optimiser le débit en entraînement distribué. 2 858 20h
3 nemo-mbridge-perf-moe-optimization-workflow nvidia/skills Optimiser l'entraînement de modèles MoE en gérant mémoire, communication et calcul. 2 858 20h
4 nemo-mbridge-perf-sequence-packing nvidia/skills Configurer le packing de séquences pour le fine-tuning LLM et VLM avec Megatron. 2 858 20h
5 nemo-mbridge-recipe-recommender nvidia/skills Indexer les recettes d'entraînement et recommander la configuration optimale pour LLM. 2 858 20h
6 cuopt-numerical-optimization-api nvidia/skills Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt. 2 858 4j
7 nemo-evaluator-plugin nvidia/skills Exécuter et soumettre des évaluations de métriques via le plugin NeMo Evaluator. 2 858 5j
8 physicsnemo-shard-tensor nvidia/skills Distribuer les tenseurs spatiaux sur plusieurs GPU avec sharding inégal pour la physique. 2 858 5j
9 eval-engineering langchain-ai/langchain-skills Concevoir et construire des évaluations itératives pour agents IA avec Harbor. 1 127 5j
10 trl-training huggingface/skills Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling. 10 913 8j
11 nemo-automodel-distributed-training nvidia/skills Configurer l'entraînement distribué PyTorch avec stratégies FSDP2, MegatronFSDP ou DDP. 2 858 10j
12 nemo-automodel-model-onboarding nvidia/skills Intégrer de nouvelles architectures de modèles IA dans NeMo AutoModel. 2 858 10j
13 cupynumeric-migration-readiness nvidia/skills Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU. 2 858 11j
14 portfolio-optimization nvidia/skills Optimiser des portefeuilles financiers avec Mean-CVaR et Mean-Variance via GPU cuOpt. 2 858 11j
15 cupynumeric-install nvidia/skills Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU. 2 858 11j
16 langsmith-online-eval-engineering langchain-ai/langchain-skills Construire et tester itérativement des évaluateurs en ligne pour traces LangSmith. 1 127 13j
17 paidf-anomalygen nvidia/skills Générer et évaluer des images d'anomalies synthétiques via un pipeline multi-phases automatisé. 2 858 15j
18 tilegym-improve-cutile-kernel-perf nvidia/skills Optimiser itérativement les performances d'un kernel cuTile via profilage et tuning systématique. 2 858 15j
19 i4h-catheter-navigation-setup nvidia/skills Configurer et valider l'environnement de navigation par cathéter sur GPU/CPU. 2 858 21j
20 i4h-workflow-dataset-annotate nvidia/skills Annoter automatiquement des épisodes HDF5 via un modèle de vision (VLM). 2 858 21j
21 i4h-workflow-finetune nvidia/skills Affiner une politique GR00T ou PI0 sur un dataset LeRobot existant. 2 858 21j
22 nemo-mbridge-mlm-bridge-training nvidia/skills Comparer et valider les pertes entre Megatron-LM et Bridge sur GPU. 2 858 26j
23 huggingface-lora-space-builder huggingface/skills Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. 10 913 26j
24 spark-environment-setup wshobson/agents Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. 38 718 28j
25 spark-memory-thermal-ops wshobson/agents Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. 38 718 28j
26 spark-training-gotchas wshobson/agents Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. 38 718 28j
27 grpo-rlvr-training wshobson/agents Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. 38 718 28j
28 lora-qlora-recipes wshobson/agents Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. 38 718 28j
29 preference-optimization wshobson/agents Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). 38 718 28j
30 quantized-export wshobson/agents Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. 38 718 28j
31 vision-sft wshobson/agents Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. 38 718 28j
32 deepstream-import-vision-model nvidia/skills Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT. 2 858 28j
33 nemo-mbridge-perf-cuda-graphs nvidia/skills Configurer et optimiser les CUDA graphs pour accélérer l'entraînement de modèles GPU. 2 858 1mo
34 nv-reason-cxr nvidia/skills Interpréter des radiographies thoraciques via le modèle NVIDIA NV-Reason-CXR-3B. 2 858 1mo
35 nv-segment-ct-finetune nvidia/skills Affiner le modèle VISTA3D sur des labels CT NIfTI via le bundle MONAI. 2 858 1mo
36 nv-segment-ct nvidia/skills Segmenter des volumes CT NIfTI avec VISTA3D pour produire des cartes de labels anatomiques. 2 858 1mo
37 nv-segment-ctmr nvidia/skills Segmenter des volumes CT/IRM NIfTI et produire des cartes de labels annotées. 2 858 1mo
38 nv-generate-ct-rflow nvidia/skills Générer des volumes CT synthétiques et masques associés via un wrapper NVIDIA dédié. 2 858 1mo
39 nv-generate-mr-brain-finetune nvidia/skills Affiner un modèle de diffusion UNet IRM cérébral à partir de volumes NIfTI personnalisés. 2 858 1mo
40 nv-generate-mr-brain nvidia/skills Générer des volumes IRM cérébraux synthétiques via un wrapper NVIDIA dédié. 2 858 1mo
41 nv-generate-mr nvidia/skills Générer des volumes IRM corporels synthétiques via le pipeline NV-Generate-CTMR. 2 858 1mo
42 nv-generate-vae-finetune nvidia/skills Affiner et valider un VAE médical MAISI sur des volumes CT/IRM NIfTI. 2 858 1mo
43 huggingface-trackio huggingface/skills Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel. 10 913 1mo
44 deepstream-profile-pipeline nvidia/skills Créer et profiler des pipelines DeepStream optimisés avec mesures Nsight Systems automatisées. 2 858 1mo
45 deepstream-sop nvidia/skills Construire et déboguer un pipeline DeepStream GPU pour la détection d'actions industrielles. 2 858 1mo
46 earth2studio-create-diagnostic nvidia/skills Intégrer un modèle de diagnostic ML tiers dans Earth2Studio via une API standardisée. 2 858 1mo
47 earth2studio-create-prognostic nvidia/skills Implémenter un wrapper de modèle météo ML prognostique pour Earth2Studio. 2 858 1mo
48 compare-results nvidia/model-optimizer Comparer baseline et candidat quantisé pour évaluer la dégradation de précision. 3 426 1mo
49 evaluation nvidia/model-optimizer Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher. 3 426 1mo
50 nemo-mbridge-perf-memory-tuning nvidia/skills Diagnostiquer et corriger les erreurs OOM GPU lors de l'entraînement de modèles. 2 858 1mo

À propos de cette sélection

Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier. Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.